Pandas 2.2 中文官方教程和指南（十六）（1）https://developer.aliyun.com/article/1509816
插值限制
interpolate()接受一个limit关键字参数，以限制自上次有效观测以来填充的连续NaN值的数量。
In [141]: ser = pd.Series([np.nan, np.nan, 5, np.nan, np.nan, np.nan, 13, np.nan, np.nan]) In [142]: ser Out[142]: 0 NaN 1 NaN 2 5.0 3 NaN 4 NaN 5 NaN 6 13.0 7 NaN 8 NaN dtype: float64 In [143]: ser.interpolate() Out[143]: 0 NaN 1 NaN 2 5.0 3 7.0 4 9.0 5 11.0 6 13.0 7 13.0 8 13.0 dtype: float64 In [144]: ser.interpolate(limit=1) Out[144]: 0 NaN 1 NaN 2 5.0 3 7.0 4 NaN 5 NaN 6 13.0 7 13.0 8 NaN dtype: float64
默认情况下，NaN值以forward方向填充。使用limit_direction参数向backward或从both方向填充。
In [145]: ser.interpolate(limit=1, limit_direction="backward") Out[145]: 0 NaN 1 5.0 2 5.0 3 NaN 4 NaN 5 11.0 6 13.0 7 NaN 8 NaN dtype: float64 In [146]: ser.interpolate(limit=1, limit_direction="both") Out[146]: 0 NaN 1 5.0 2 5.0 3 7.0 4 NaN 5 11.0 6 13.0 7 13.0 8 NaN dtype: float64 In [147]: ser.interpolate(limit_direction="both") Out[147]: 0 5.0 1 5.0 2 5.0 3 7.0 4 9.0 5 11.0 6 13.0 7 13.0 8 13.0 dtype: float64
默认情况下，NaN值会被填充，无论它们是否被现有有效值包围或在现有有效值之外。limit_area参数限制填充到内部或外部值。
# fill one consecutive inside value in both directions In [148]: ser.interpolate(limit_direction="both", limit_area="inside", limit=1) Out[148]: 0 NaN 1 NaN 2 5.0 3 7.0 4 NaN 5 11.0 6 13.0 7 NaN 8 NaN dtype: float64 # fill all consecutive outside values backward In [149]: ser.interpolate(limit_direction="backward", limit_area="outside") Out[149]: 0 5.0 1 5.0 2 5.0 3 NaN 4 NaN 5 NaN 6 13.0 7 NaN 8 NaN dtype: float64 # fill all consecutive outside values in both directions In [150]: ser.interpolate(limit_direction="both", limit_area="outside") Out[150]: 0 5.0 1 5.0 2 5.0 3 NaN 4 NaN 5 NaN 6 13.0 7 13.0 8 13.0 dtype: float64 ```### 替换值 `Series.replace()`和`DataFrame.replace()`可以类似于`Series.fillna()`和`DataFrame.fillna()`用于替换或插入缺失值。 ```py In [151]: df = pd.DataFrame(np.eye(3)) In [152]: df Out[152]: 0 1 2 0 1.0 0.0 0.0 1 0.0 1.0 0.0 2 0.0 0.0 1.0 In [153]: df_missing = df.replace(0, np.nan) In [154]: df_missing Out[154]: 0 1 2 0 1.0 NaN NaN 1 NaN 1.0 NaN 2 NaN NaN 1.0 In [155]: df_filled = df_missing.replace(np.nan, 2) In [156]: df_filled Out[156]: 0 1 2 0 1.0 2.0 2.0 1 2.0 1.0 2.0 2 2.0 2.0 1.0
通过传递列表可以替换多个值。
In [157]: df_filled.replace([1, 44], [2, 28]) Out[157]: 0 1 2 0 2.0 2.0 2.0 1 2.0 2.0 2.0 2 2.0 2.0 2.0
使用映射字典进行替换。
In [158]: df_filled.replace({1: 44, 2: 28}) Out[158]: 0 1 2 0 44.0 28.0 28.0 1 28.0 44.0 28.0 2 28.0 28.0 44.0
正则表达式替换
注意
Python 字符串以 r 字符开头，例如 r'hello world' 是“原始”字符串。 它们在反斜杠方面具有与没有此前缀的字符串不同的语义。 原始字符串中的反斜杠将被解释为转义的反斜杠，例如，r'\' == '\\'。
用 NaN 替换 ‘.’
In [159]: d = {"a": list(range(4)), "b": list("ab.."), "c": ["a", "b", np.nan, "d"]} In [160]: df = pd.DataFrame(d) In [161]: df.replace(".", np.nan) Out[161]: a b c 0 0 a a 1 1 b b 2 2 NaN NaN 3 3 NaN d
用删除周围空格的正则表达式替换 ‘.’ 为 NaN。
In [162]: df.replace(r"\s*\.\s*", np.nan, regex=True) Out[162]: a b c 0 0 a a 1 1 b b 2 2 NaN NaN 3 3 NaN d
替换为一组正则表达式。
In [163]: df.replace([r"\.", r"(a)"], ["dot", r"\1stuff"], regex=True) Out[163]: a b c 0 0 astuff astuff 1 1 b b 2 2 dot NaN 3 3 dot d
用映射字典中的正则表达式替换。
In [164]: df.replace({"b": r"\s*\.\s*"}, {"b": np.nan}, regex=True) Out[164]: a b c 0 0 a a 1 1 b b 2 2 NaN NaN 3 3 NaN d
传递使用 regex 关键字的正则表达式的嵌套字典。
In [165]: df.replace({"b": {"b": r""}}, regex=True) Out[165]: a b c 0 0 a a 1 1 b 2 2 . NaN 3 3 . d In [166]: df.replace(regex={"b": {r"\s*\.\s*": np.nan}}) Out[166]: a b c 0 0 a a 1 1 b b 2 2 NaN NaN 3 3 NaN d In [167]: df.replace({"b": r"\s*(\.)\s*"}, {"b": r"\1ty"}, regex=True) Out[167]: a b c 0 0 a a 1 1 b b 2 2 .ty NaN 3 3 .ty d
传递一个正则表达式列表，将匹配项替换为标量。
In [168]: df.replace([r"\s*\.\s*", r"a|b"], "placeholder", regex=True) Out[168]: a b c 0 0 placeholder placeholder 1 1 placeholder placeholder 2 2 placeholder NaN 3 3 placeholder d
所有的正则表达式示例也可以作为 to_replace 参数传递给 regex 参数。 在这种情况下，value 参数必须通过名称显式传递，或者 regex 必须是一个嵌套字典。
In [169]: df.replace(regex=[r"\s*\.\s*", r"a|b"], value="placeholder") Out[169]: a b c 0 0 placeholder placeholder 1 1 placeholder placeholder 2 2 placeholder NaN 3 3 placeholder d
注意
来自 re.compile 的正则表达式对象也是有效的输入。
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 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（和其他位宽度）, Float64Dtype（和其他位宽度）, :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，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。
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与这些缺失值之间的相等比较不提供与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更改。
从 pandas 1.0 开始，提供了一个实验性的NA值（单例）来表示标量缺失值。NA的目标是提供一个可以在各种数据类型中一致使用的“缺失”指示符（而不是根据数据类型使用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NA这些数据类型在DataFrame或Series中，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，NA在算术操作中传播，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（例如平均值或最小值），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遵循三值逻辑的规则（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（|），如果其中一个操作数为True，我们已经知道结果将是True，无论另一个值是什么（所以无论缺失值是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，如果其中一个操作数是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，如果其中一个操作数已经是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，或者可以在此之前填充缺失值来避免condition为NA。
当在if语句中使用Series或DataFrame对象时，会出现类似情况，请参见在 pandas 中使用 if/truth 语句。
NumPy ufuncs
pandas.NA实现了 NumPy 的__array_ufunc__协议。大多数 ufuncs 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>
警告
目前，涉及 ndarray 和NA的 ufuncs 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)
此处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 ufuncs 的信息，请参见 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的数据类型，如Int64Dtype或ArrowDtype。这在从 IO 方法中读取数据集并推断数据类型后特别有帮助。
在这个例子中，虽然所有列的数据类型都被更改，但我们展示了前 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
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。当操作数中有一个未知时，操作的结果也是未知的。
例如，NA在算术操作中会传播，类似于np.nan：
In [25]: pd.NA + 1 Out[25]: <NA> In [26]: "a" * pd.NA Out[26]: <NA>
在一些特殊情况下，即使操作数之一是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，使用isna()
In [32]: pd.isna(pd.NA) Out[32]: True
注意
在这个基本传播规则上的一个例外是缩减（如平均值或最小值），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）。这种逻辑意味着只在逻辑上需要时传播缺失值。
例如，在逻辑“或”操作（|）中，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，如果操作数中的一个是False，则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出来（现在，如果操作数中的一个已经是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，会出现类似的情况，请参见在 pandas 中使用 if/真值语句。
NumPy 通用函数
pandas.NA实现了 NumPy 的__array_ufunc__协议。大多数通用函数与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>
警告
目前，涉及 ndarray 和NA的通用函数将返回一个填充有 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。
有关通用函数的更多信息，请参见 DataFrame 与 NumPy 函数的互操作性。
转换
如果您有一个使用np.nan的DataFrame或Series，Series.convert_dtypes()和DataFrame.convert_dtypes()在DataFrame中可以将数据转换为使用NA的数据类型，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，虽然所有列的数据类型都发生了变化，但我们展示了前 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 ```#### 转换 如果您有一个使用`np.nan`的`DataFrame`或`Series`，则可以在`DataFrame`中使用`Series.convert_dtypes()`和`DataFrame.convert_dtypes()`将数据转换为使用`NA`等数据类型的数据类型，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，虽然所有列的数据类型都发生了变化，但我们展示了前 10 列的结果。 ```py 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
您可以通过简单地分配给Series或DataFrame来插入缺失值。所使用的缺失值标记将根据数据类型选择。
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
带有缺失数据的计算
缺失值会在 pandas 对象之间的算术运算中传播。
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（并在这里和这里列出）都考虑了缺失数据。
在求和数据时，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
在进行乘积运算时，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()默认情况下会忽略 NA 值，在结果中保留它们。这种行为可以通过skipna进行更改。
- 累积方法如
cumsum()和cumprod()默认情况下会忽略 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
Pandas 2.2 中文官方教程和指南（十六）（3）https://developer.aliyun.com/article/1509818
