处理缺失数据
被视为“缺失”的值
pandas 使用不同的标记值来表示缺失值（也称为 NA），具体取决于数据类型。
numpy.nan适用于 NumPy 数据类型。使用 NumPy 数据类型的缺点是原始数据类型将被强制转换为np.float64或object。
In [1]: pd.Series([1, 2], dtype=np.int64).reindex([0, 1, 2]) Out[1]: 0 1.0 1 2.0 2 NaN dtype: float64 In [2]: pd.Series([True, False], dtype=np.bool_).reindex([0, 1, 2]) Out[2]: 0 True 1 False 2 NaN dtype: object
NaT适用于 NumPy 的np.datetime64、np.timedelta64和PeriodDtype。对于类型应用程序，请使用api.types.NaTType。
In [3]: pd.Series([1, 2], dtype=np.dtype("timedelta64[ns]")).reindex([0, 1, 2]) Out[3]: 0 0 days 00:00:00.000000001 1 0 days 00:00:00.000000002 2 NaT dtype: timedelta64[ns] In [4]: pd.Series([1, 2], dtype=np.dtype("datetime64[ns]")).reindex([0, 1, 2]) Out[4]: 0 1970-01-01 00:00:00.000000001 1 1970-01-01 00:00:00.000000002 2 NaT dtype: datetime64[ns] In [5]: pd.Series(["2020", "2020"], dtype=pd.PeriodDtype("D")).reindex([0, 1, 2]) Out[5]: 0 2020-01-01 1 2020-01-01 2 NaT dtype: period[D]
NA适用于StringDtype、Int64Dtype（和其他位宽）、Float64Dtype（和其他位宽）、:class:BooleanDtype和ArrowDtype。这些类型将保持数据的原始数据类型。对于类型应用程序，请使用api.types.NAType。
In [6]: pd.Series([1, 2], dtype="Int64").reindex([0, 1, 2]) Out[6]: 0 1 1 2 2 <NA> dtype: Int64 In [7]: pd.Series([True, False], dtype="boolean[pyarrow]").reindex([0, 1, 2]) Out[7]: 0 True 1 False 2 <NA> dtype: bool[pyarrow]
要检测这些缺失值，请使用isna()或notna()方法。
In [8]: ser = pd.Series([pd.Timestamp("2020-01-01"), pd.NaT]) In [9]: ser Out[9]: 0 2020-01-01 1 NaT dtype: datetime64[ns] In [10]: pd.isna(ser) Out[10]: 0 False 1 True dtype: bool
注意
isna()或notna()也会将None视为缺失值。
In [11]: ser = pd.Series([1, None], dtype=object) In [12]: ser Out[12]: 0 1 1 None dtype: object In [13]: pd.isna(ser) Out[13]: 0 False 1 True dtype: bool
警告
np.nan、NaT和NA之间的相等比较不像None那样起作用。
In [14]: None == None # noqa: E711 Out[14]: True In [15]: np.nan == np.nan Out[15]: False In [16]: pd.NaT == pd.NaT Out[16]: False In [17]: pd.NA == pd.NA Out[17]: <NA>
因此，DataFrame或Series与这些缺失值之一进行相等比较并不提供与isna()或notna()相同的信息。
In [18]: ser = pd.Series([True, None], dtype="boolean[pyarrow]") In [19]: ser == pd.NA Out[19]: 0 <NA> 1 <NA> dtype: bool[pyarrow] In [20]: pd.isna(ser) Out[20]: 0 False 1 True dtype: bool
NA语义
警告
实验性：NA的行为仍可能在没有警告的情况下发生变化。
从 pandas 1.0 开始，实验性的NA值（单例）可用于表示标量缺失值。NA的目标是提供一个可以在各种数据类型之间一致使用的“缺失”指示器（而不是根据数据类型而定的np.nan、None或pd.NaT）。
例如，在具有可空整数 dtype 的 Series 中存在缺失值时，它将使用 NA：
In [21]: s = pd.Series([1, 2, None], dtype="Int64") In [22]: s Out[22]: 0 1 1 2 2 <NA> dtype: Int64 In [23]: s[2] Out[23]: <NA> In [24]: s[2] is pd.NA Out[24]: True
目前，pandas 尚未默认使用那些使用 NA 的数据类型，如 DataFrame 或 Series，因此您需要明确指定 dtype。在转换部分中解释了将其转换为这些 dtype 的简单方法。
算术和比较操作中的传播
一般来说，在涉及 NA 的操作中，缺失值会传播。当其中一个操作数未知时，操作的结果也是未知的。
例如，在算术操作中，NA 会传播，类似于 np.nan：
In [25]: pd.NA + 1 Out[25]: <NA> In [26]: "a" * pd.NA Out[26]: <NA>
有一些特殊情况，即使其中一个操作数是NA，结果也是已知的。
In [27]: pd.NA ** 0 Out[27]: 1 In [28]: 1 ** pd.NA Out[28]: 1
在相等性和比较操作中，NA 也会传播。这与np.nan的行为不同，其中与np.nan的比较总是返回False。
In [29]: pd.NA == 1 Out[29]: <NA> In [30]: pd.NA == pd.NA Out[30]: <NA> In [31]: pd.NA < 2.5 Out[31]: <NA>
要检查一个值是否等于 NA，请使用 isna()
In [32]: pd.isna(pd.NA) Out[32]: True
注意
在这种基本传播规则上的一个例外是缩减（例如均值或最小值），pandas 默认跳过缺失值。更多信息请参见计算部分。
逻辑操作
对于逻辑操作，NA 遵循 三值逻辑（或Kleene 逻辑，类似于 R、SQL 和 Julia）。这种逻辑意味着只有在逻辑上需要时才传播缺失值。
例如，对于逻辑“或”操作（|），如果操作数之一是True，我们已经知道结果将是True，无论另一个值是什么（因此无论缺失值是True还是False）。在这种情况下，NA 不会传播：
In [33]: True | False Out[33]: True In [34]: True | pd.NA Out[34]: True In [35]: pd.NA | True Out[35]: True
另一方面，如果操作数之一是False，结果取决于另一个操作数的值。因此，在这种情况下，NA 会传播：
In [36]: False | True Out[36]: True In [37]: False | False Out[37]: False In [38]: False | pd.NA Out[38]: <NA>
逻辑“与”操作（&）的行为可以使用类似的逻辑推导（现在，如果操作数之一已经是False，那么 NA 将不会传播）：
In [39]: False & True Out[39]: False In [40]: False & False Out[40]: False In [41]: False & pd.NA Out[41]: False
In [42]: True & True Out[42]: True In [43]: True & False Out[43]: False In [44]: True & pd.NA Out[44]: <NA>
在布尔上下文中的NA
由于 NA 的实际值是未知的，将 NA 转换为布尔值是模棱两可的。
In [45]: bool(pd.NA) --------------------------------------------------------------------------- TypeError Traceback (most recent call last) Cell In[45], line 1 ----> 1 bool(pd.NA) File missing.pyx:392, in pandas._libs.missing.NAType.__bool__() TypeError: boolean value of NA is ambiguous
这也意味着NA不能在被评估为布尔值的上下文中使用，例如if condition: ...，其中condition可能是NA。在这种情况下，可以使用isna()来检查NA或避免condition为NA，例如在填充缺失值之前。
当在if语句中使用Series或DataFrame对象时，会出现类似情况，请参阅在 pandas 中使用 if/truth 语句。
NumPy ufuncs
pandas.NA实现了 NumPy 的__array_ufunc__协议。大多数 ufunc 与NA一起工作，并通常返回NA：
In [46]: np.log(pd.NA) Out[46]: <NA> In [47]: np.add(pd.NA, 1) Out[47]: <NA>
警��
目前，涉及 ndarray 和NA的 ufunc 将返回一个填充有 NA 值的对象 dtype。
In [48]: a = np.array([1, 2, 3]) In [49]: np.greater(a, pd.NA) Out[49]: array([<NA>, <NA>, <NA>], dtype=object)
这里的返回类型可能会在将来更改为返回不同的数组类型。
更多关于 ufunc 的信息，请参阅 DataFrame 与 NumPy 函数的互操作性。
转换
如果你有一个使用np.nan的DataFrame或Series，可以在DataFrame中使用Series.convert_dtypes()和DataFrame.convert_dtypes()将数据转换为使用NA等数据类型的数据，例如Int64Dtype或ArrowDtype。这在从 IO 方法读取数据集并推断数据类型后特别有帮助。
在这个例子中，虽然所有列的 dtype 都已更改，但我们仅展示前 10 列的结果。
In [50]: import io In [51]: data = io.StringIO("a,b\n,True\n2,") In [52]: df = pd.read_csv(data) In [53]: df.dtypes Out[53]: a float64 b object dtype: object In [54]: df_conv = df.convert_dtypes() In [55]: df_conv Out[55]: a b 0 <NA> True 1 2 <NA> In [56]: df_conv.dtypes Out[56]: a Int64 b boolean dtype: object ```## 插入缺失数据 你可以通过简单地赋值给`Series`或`DataFrame`来插入缺失值。所使用的缺失值标记将根据 dtype 选择。 ```py In [57]: ser = pd.Series([1., 2., 3.]) In [58]: ser.loc[0] = None In [59]: ser Out[59]: 0 NaN 1 2.0 2 3.0 dtype: float64 In [60]: ser = pd.Series([pd.Timestamp("2021"), pd.Timestamp("2021")]) In [61]: ser.iloc[0] = np.nan In [62]: ser Out[62]: 0 NaT 1 2021-01-01 dtype: datetime64[ns] In [63]: ser = pd.Series([True, False], dtype="boolean[pyarrow]") In [64]: ser.iloc[0] = None In [65]: ser Out[65]: 0 <NA> 1 False dtype: bool[pyarrow]
对于object类型，pandas 将使用给定的值：
In [66]: s = pd.Series(["a", "b", "c"], dtype=object) In [67]: s.loc[0] = None In [68]: s.loc[1] = np.nan In [69]: s Out[69]: 0 None 1 NaN 2 c dtype: object ```## 使用缺失数据进行计算 缺失值在 pandas 对象之间的算术运算中传播。 ```py In [70]: ser1 = pd.Series([np.nan, np.nan, 2, 3]) In [71]: ser2 = pd.Series([np.nan, 1, np.nan, 4]) In [72]: ser1 Out[72]: 0 NaN 1 NaN 2 2.0 3 3.0 dtype: float64 In [73]: ser2 Out[73]: 0 NaN 1 1.0 2 NaN 3 4.0 dtype: float64 In [74]: ser1 + ser2 Out[74]: 0 NaN 1 NaN 2 NaN 3 7.0 dtype: float64
在数据结构概述中讨论的描述性统计和计算方法（在此处列出 series 和 frame）都考虑了缺失数据。
在对数据求和时，NA 值或空数据将被视为零。
In [75]: pd.Series([np.nan]).sum() Out[75]: 0.0 In [76]: pd.Series([], dtype="float64").sum() Out[76]: 0.0
在进行乘法运算时，NA 值或空数据将被视为 1。
In [77]: pd.Series([np.nan]).prod() Out[77]: 1.0 In [78]: pd.Series([], dtype="float64").prod() Out[78]: 1.0
累积方法如cumsum()和cumprod()默认情况下忽略 NA 值，但在结果中保留它们。可以使用skipna更改此行为。
- 累积方法如
cumsum()和cumprod()默认情况下忽略 NA 值，但在结果数组中保留它们。要覆盖此行为并包含 NA 值，请使用skipna=False。
In [79]: ser = pd.Series([1, np.nan, 3, np.nan]) In [80]: ser Out[80]: 0 1.0 1 NaN 2 3.0 3 NaN dtype: float64 In [81]: ser.cumsum() Out[81]: 0 1.0 1 NaN 2 4.0 3 NaN dtype: float64 In [82]: ser.cumsum(skipna=False) Out[82]: 0 1.0 1 NaN 2 NaN 3 NaN dtype: float64 ```## 删除缺失数据 `dropna()`删除具有缺失数据的行或列。 ```py In [83]: df = pd.DataFrame([[np.nan, 1, 2], [1, 2, np.nan], [1, 2, 3]]) In [84]: df Out[84]: 0 1 2 0 NaN 1 2.0 1 1.0 2 NaN 2 1.0 2 3.0 In [85]: df.dropna() Out[85]: 0 1 2 2 1.0 2 3.0 In [86]: df.dropna(axis=1) Out[86]: 1 0 1 1 2 2 2 In [87]: ser = pd.Series([1, pd.NA], dtype="int64[pyarrow]") In [88]: ser.dropna() Out[88]: 0 1 dtype: int64[pyarrow]
填充缺失数据
按值填充
fillna()用非 NA 数据替换 NA 值。
用标量值替换 NA
In [89]: data = {"np": [1.0, np.nan, np.nan, 2], "arrow": pd.array([1.0, pd.NA, pd.NA, 2], dtype="float64[pyarrow]")} In [90]: df = pd.DataFrame(data) In [91]: df Out[91]: np arrow 0 1.0 1.0 1 NaN <NA> 2 NaN <NA> 3 2.0 2.0 In [92]: df.fillna(0) Out[92]: np arrow 0 1.0 1.0 1 0.0 0.0 2 0.0 0.0 3 2.0 2.0
向前或向后填补间隙
In [93]: df.ffill() Out[93]: np arrow 0 1.0 1.0 1 1.0 1.0 2 1.0 1.0 3 2.0 2.0 In [94]: df.bfill() Out[94]: np arrow 0 1.0 1.0 1 2.0 2.0 2 2.0 2.0 3 2.0 2.0
限制填充的 NA 值数量
In [95]: df.ffill(limit=1) Out[95]: np arrow 0 1.0 1.0 1 1.0 1.0 2 NaN <NA> 3 2.0 2.0
NA 值可以用与Series或DataFrame对齐的索引和列之间的对应值替换。
In [96]: dff = pd.DataFrame(np.arange(30, dtype=np.float64).reshape(10, 3), columns=list("ABC")) In [97]: dff.iloc[3:5, 0] = np.nan In [98]: dff.iloc[4:6, 1] = np.nan In [99]: dff.iloc[5:8, 2] = np.nan In [100]: dff Out[100]: A B C 0 0.0 1.0 2.0 1 3.0 4.0 5.0 2 6.0 7.0 8.0 3 NaN 10.0 11.0 4 NaN NaN 14.0 5 15.0 NaN NaN 6 18.0 19.0 NaN 7 21.0 22.0 NaN 8 24.0 25.0 26.0 9 27.0 28.0 29.0 In [101]: dff.fillna(dff.mean()) Out[101]: A B C 0 0.00 1.0 2.000000 1 3.00 4.0 5.000000 2 6.00 7.0 8.000000 3 14.25 10.0 11.000000 4 14.25 14.5 14.000000 5 15.00 14.5 13.571429 6 18.00 19.0 13.571429 7 21.00 22.0 13.571429 8 24.00 25.0 26.000000 9 27.00 28.0 29.000000
注意
DataFrame.where()也可用于填充 NA 值。与上述结果相同。
In [102]: dff.where(pd.notna(dff), dff.mean(), axis="columns") Out[102]: A B C 0 0.00 1.0 2.000000 1 3.00 4.0 5.000000 2 6.00 7.0 8.000000 3 14.25 10.0 11.000000 4 14.25 14.5 14.000000 5 15.00 14.5 13.571429 6 18.00 19.0 13.571429 7 21.00 22.0 13.571429 8 24.00 25.0 26.000000 9 27.00 28.0 29.000000 ```### 插值 `DataFrame.interpolate()`和`Series.interpolate()`使用各种插值方法填充 NA 值。 ```py In [103]: df = pd.DataFrame( .....: { .....: "A": [1, 2.1, np.nan, 4.7, 5.6, 6.8], .....: "B": [0.25, np.nan, np.nan, 4, 12.2, 14.4], .....: } .....: ) .....: In [104]: df Out[104]: A B 0 1.0 0.25 1 2.1 NaN 2 NaN NaN 3 4.7 4.00 4 5.6 12.20 5 6.8 14.40 In [105]: df.interpolate() Out[105]: A B 0 1.0 0.25 1 2.1 1.50 2 3.4 2.75 3 4.7 4.00 4 5.6 12.20 5 6.8 14.40 In [106]: idx = pd.date_range("2020-01-01", periods=10, freq="D") In [107]: data = np.random.default_rng(2).integers(0, 10, 10).astype(np.float64) In [108]: ts = pd.Series(data, index=idx) In [109]: ts.iloc[[1, 2, 5, 6, 9]] = np.nan In [110]: ts Out[110]: 2020-01-01 8.0 2020-01-02 NaN 2020-01-03 NaN 2020-01-04 2.0 2020-01-05 4.0 2020-01-06 NaN 2020-01-07 NaN 2020-01-08 0.0 2020-01-09 3.0 2020-01-10 NaN Freq: D, dtype: float64 In [111]: ts.plot() Out[111]: <Axes: >
In [112]: ts.interpolate() Out[112]: 2020-01-01 8.000000 2020-01-02 6.000000 2020-01-03 4.000000 2020-01-04 2.000000 2020-01-05 4.000000 2020-01-06 2.666667 2020-01-07 1.333333 2020-01-08 0.000000 2020-01-09 3.000000 2020-01-10 3.000000 Freq: D, dtype: float64 In [113]: ts.interpolate().plot() Out[113]: <Axes: >
相对于Timestamp在DatetimeIndex上的插值可通过设置method="time"来实现。
In [114]: ts2 = ts.iloc[[0, 1, 3, 7, 9]] In [115]: ts2 Out[115]: 2020-01-01 8.0 2020-01-02 NaN 2020-01-04 2.0 2020-01-08 0.0 2020-01-10 NaN dtype: float64 In [116]: ts2.interpolate() Out[116]: 2020-01-01 8.0 2020-01-02 5.0 2020-01-04 2.0 2020-01-08 0.0 2020-01-10 0.0 dtype: float64 In [117]: ts2.interpolate(method="time") Out[117]: 2020-01-01 8.0 2020-01-02 6.0 2020-01-04 2.0 2020-01-08 0.0 2020-01-10 0.0 dtype: float64
对于浮点索引，请使用method='values'：
In [118]: idx = [0.0, 1.0, 10.0] In [119]: ser = pd.Series([0.0, np.nan, 10.0], idx) In [120]: ser Out[120]: 0.0 0.0 1.0 NaN 10.0 10.0 dtype: float64 In [121]: ser.interpolate() Out[121]: 0.0 0.0 1.0 5.0 10.0 10.0 dtype: float64 In [122]: ser.interpolate(method="values") Out[122]: 0.0 0.0 1.0 1.0 10.0 10.0 dtype: float64
如果您安装了scipy，您可以将一个 1-d 插值例程的名称传递给method。如在 scipy 插值文档和参考指南中指定。适当的插值方法将取决于数据类型。
提示
如果您处理的是以增长速度增长的时间序列，请使用method='barycentric'。
如果您有接近累积分布函数的值，请使用method='pchip'。
若要填充缺失值以实现平滑绘图，请使用method='akima'。
In [123]: df = pd.DataFrame( .....: { .....: "A": [1, 2.1, np.nan, 4.7, 5.6, 6.8], .....: "B": [0.25, np.nan, np.nan, 4, 12.2, 14.4], .....: } .....: ) .....: In [124]: df Out[124]: A B 0 1.0 0.25 1 2.1 NaN 2 NaN NaN 3 4.7 4.00 4 5.6 12.20 5 6.8 14.40 In [125]: df.interpolate(method="barycentric") Out[125]: A B 0 1.00 0.250 1 2.10 -7.660 2 3.53 -4.515 3 4.70 4.000 4 5.60 12.200 5 6.80 14.400 In [126]: df.interpolate(method="pchip") Out[126]: A B 0 1.00000 0.250000 1 2.10000 0.672808 2 3.43454 1.928950 3 4.70000 4.000000 4 5.60000 12.200000 5 6.80000 14.400000 In [127]: df.interpolate(method="akima") Out[127]: A B 0 1.000000 0.250000 1 2.100000 -0.873316 2 3.406667 0.320034 3 4.700000 4.000000 4 5.600000 12.200000 5 6.800000 14.400000
当通过多项式或样条逼近进行插值时，您还必须指定逼近的次数或阶数：
In [128]: df.interpolate(method="spline", order=2) Out[128]: A B 0 1.000000 0.250000 1 2.100000 -0.428598 2 3.404545 1.206900 3 4.700000 4.000000 4 5.600000 12.200000 5 6.800000 14.400000 In [129]: df.interpolate(method="polynomial", order=2) Out[129]: A B 0 1.000000 0.250000 1 2.100000 -2.703846 2 3.451351 -1.453846 3 4.700000 4.000000 4 5.600000 12.200000 5 6.800000 14.400000
比较几种方法。
In [130]: np.random.seed(2) In [131]: ser = pd.Series(np.arange(1, 10.1, 0.25) ** 2 + np.random.randn(37)) In [132]: missing = np.array([4, 13, 14, 15, 16, 17, 18, 20, 29]) In [133]: ser.iloc[missing] = np.nan In [134]: methods = ["linear", "quadratic", "cubic"] In [135]: df = pd.DataFrame({m: ser.interpolate(method=m) for m in methods}) In [136]: df.plot() Out[136]: <Axes: >
通过Series.reindex()从扩展数据中插值新观测。
In [137]: ser = pd.Series(np.sort(np.random.uniform(size=100))) # interpolate at new_index In [138]: new_index = ser.index.union(pd.Index([49.25, 49.5, 49.75, 50.25, 50.5, 50.75])) In [139]: interp_s = ser.reindex(new_index).interpolate(method="pchip") In [140]: interp_s.loc[49:51] Out[140]: 49.00 0.471410 49.25 0.476841 49.50 0.481780 49.75 0.485998 50.00 0.489266 50.25 0.491814 50.50 0.493995 50.75 0.495763 51.00 0.497074 dtype: float64
Pandas 2.2 中文官方教程和指南（十六）（2）https://developer.aliyun.com/article/1509817
