如何检查在熊猫数据框架中是否有NaN值

在Python Pandas中，检查DataFrame是否有一个(或多个)NaN值的最佳方法是什么?

我知道函数pd.isnan，但它返回每个元素的布尔值的数据帧。这篇文章也没有完全回答我的问题。

1219827 次浏览
小开

df.isnull().any().any()应该这样做。

小开

你有两个选择。

import pandas as pd
import numpy as np


df = pd.DataFrame(np.random.randn(10,6))
# Make a few areas have NaN values
df.iloc[1:3,1] = np.nan
df.iloc[5,3] = np.nan
df.iloc[7:9,5] = np.nan

现在数据帧看起来是这样的:

          0         1         2         3         4         5
0  0.520113  0.884000  1.260966 -0.236597  0.312972 -0.196281
1 -0.837552       NaN  0.143017  0.862355  0.346550  0.842952
2 -0.452595       NaN -0.420790  0.456215  1.203459  0.527425
3  0.317503 -0.917042  1.780938 -1.584102  0.432745  0.389797
4 -0.722852  1.704820 -0.113821 -1.466458  0.083002  0.011722
5 -0.622851 -0.251935 -1.498837       NaN  1.098323  0.273814
6  0.329585  0.075312 -0.690209 -3.807924  0.489317 -0.841368
7 -1.123433 -1.187496  1.868894 -2.046456 -0.949718       NaN
8  1.133880 -0.110447  0.050385 -1.158387  0.188222       NaN
9 -0.513741  1.196259  0.704537  0.982395 -0.585040 -1.693810
  • 选项1: df.isnull().any().any() -返回布尔值

你知道isnull()会返回一个这样的数据框架:

       0      1      2      3      4      5
0  False  False  False  False  False  False
1  False   True  False  False  False  False
2  False   True  False  False  False  False
3  False  False  False  False  False  False
4  False  False  False  False  False  False
5  False  False  False   True  False  False
6  False  False  False  False  False  False
7  False  False  False  False  False   True
8  False  False  False  False  False   True
9  False  False  False  False  False  False

如果你把它设置为df.isnull().any()，你可以找到只有NaN值的列:

0    False
1     True
2    False
3     True
4    False
5     True
dtype: bool

多一个.any()会告诉你上面是否有True

> df.isnull().any().any()
True
  • 选项2: df.isnull().sum().sum() -返回NaN值总数的整数:

它的操作方式与.any().any()相同，首先给出一列中NaN的值的总和，然后是这些值的总和:

df.isnull().sum()
0    0
1    2
2    0
3    1
4    0
5    2
dtype: int64

最后，要获得DataFrame中NaN值的总数:

df.isnull().sum().sum()
5
小开
最佳答案

jwilner的回应是正确的。我正在探索是否有更快的选择，因为根据我的经验，平坦数组的和(奇怪地)比计数快。这段代码似乎更快:

df.isnull().values.any()

enter image description here

import numpy as np
import pandas as pd
import perfplot




def setup(n):
df = pd.DataFrame(np.random.randn(n))
df[df > 0.9] = np.nan
return df




def isnull_any(df):
return df.isnull().any()




def isnull_values_sum(df):
return df.isnull().values.sum() > 0




def isnull_sum(df):
return df.isnull().sum() > 0




def isnull_values_any(df):
return df.isnull().values.any()




perfplot.save(
"out.png",
setup=setup,
kernels=[isnull_any, isnull_values_sum, isnull_sum, isnull_values_any],
n_range=[2 ** k for k in range(25)],
)

df.isnull().sum().sum()有点慢，但当然，它有额外的信息——NaNs的编号。

小开

根据您正在处理的数据类型，您还可以在执行EDA时通过将dropna设置为False来获得每列的值计数。

for col in df:
print df[col].value_counts(dropna=False)

适用于分类变量，但当你有很多唯一值时就不那么适用了。

小开

如果你需要知道有多少行"一个或多个# eyz0 "

df.isnull().T.any().T.sum()

或者如果你需要取出这些行并检查它们:

nan_rows = df[df.isnull().T.any()]
小开

由于pandas必须为DataFrame.dropna()找到这一点，我看了看他们是如何实现的，并发现他们使用了DataFrame.count()，它计算了DataFrame中的所有非空值。# EYZ4 Cf。我还没有对这种技术进行基准测试，但我认为库的作者可能已经就如何实现它做出了明智的选择。

小开

因为没有人提到，这里只有另一个名为hasnans的变量。

如果pandas系列中的一个或多个值为NaN，则df[i].hasnans将输出到True，否则输出到False。注意，它不是一个函数。

熊猫版本“0.19.2”和“0.20.2”

小开

加上霍布斯的精彩回答，我对Python和熊猫很陌生，所以如果我错了，请指出来。

要找出哪些行有nan:

nan_rows = df[df.isnull().any(1)]

将执行相同的操作，而不需要通过将any()的轴指定为1来检查'True'是否在行中存在。

小开
< p >只使用 math.isnan (x)，如果x是NaN(不是数字)则返回True，否则返回False
小开

要找出特定列中哪些行有nan:

nan_rows = df[df['name column'].isnull()]
小开

或者你可以在DF上使用.info()，例如:

df.info(null_counts=True)返回列中的非空行数，例如:

<class 'pandas.core.frame.DataFrame'>
Int64Index: 3276314 entries, 0 to 3276313
Data columns (total 10 columns):
n_matches                          3276314 non-null int64
avg_pic_distance                   3276314 non-null float64
小开

下面是另一种有趣的查找null并替换为计算值的方法

    #Creating the DataFrame


testdf = pd.DataFrame({'Tenure':[1,2,3,4,5],'Monthly':[10,20,30,40,50],'Yearly':[10,40,np.nan,np.nan,250]})
>>> testdf2
Monthly  Tenure  Yearly
0       10       1    10.0
1       20       2    40.0
2       30       3     NaN
3       40       4     NaN
4       50       5   250.0


#Identifying the rows with empty columns
nan_rows = testdf2[testdf2['Yearly'].isnull()]
>>> nan_rows
Monthly  Tenure  Yearly
2       30       3     NaN
3       40       4     NaN


#Getting the rows# into a list
>>> index = list(nan_rows.index)
>>> index
[2, 3]


# Replacing null values with calculated value
>>> for i in index:
testdf2['Yearly'][i] = testdf2['Monthly'][i] * testdf2['Tenure'][i]
>>> testdf2
Monthly  Tenure  Yearly
0       10       1    10.0
1       20       2    40.0
2       30       3    90.0
3       40       4   160.0
4       50       5   250.0
小开

语法超级简单:df.isna().any(axis=None)

从v0.23.2开始，你可以使用DataFrame.isna + DataFrame.any(axis=None)，其中axis=None指定整个数据帧的逻辑缩减。

# Setup
df = pd.DataFrame({'A': [1, 2, np.nan], 'B' : [np.nan, 4, 5]})
df
A    B
0  1.0  NaN
1  2.0  4.0
2  NaN  5.0


df.isna()


A      B
0  False   True
1  False  False
2   True  False


df.isna().any(axis=None)
# True

有用的替代方案

< p > # EYZ1 < br > 如果您正在运行较旧版本的pandas，则另一个性能选项 
np.isnan(df.values)


array([[False,  True],
[False, False],
[ True, False]])


np.isnan(df.values).any()
# True

或者，检查和:

np.isnan(df.values).sum()
# 2


np.isnan(df.values).sum() > 0
# True
< p > # EYZ1 < br > 您还可以迭代地调用Series.hasnans。例如，要检查单个列是否有nan， 

df['A'].hasnans
# True

要检查任何列是否有nan，可以使用对any的理解(这是一个短路操作)。

any(df[c].hasnans for c in df)
# True

这实际上是非常快速。

小开 
df.apply(axis=0, func=lambda x : any(pd.isnull(x)))

将检查每一列是否包含Nan。

小开

我一直在使用以下和类型转换为字符串，并检查nan值

   (str(df.at[index, 'column']) == 'nan')

这允许我检查一个系列中的特定值，而不只是返回如果它包含在系列中的某个地方。

小开

最好的方法是:

df.isna().any().any()

这是为什么。因此，isna()被用来定义isnull()，但这两者当然是相同的。

这甚至比公认的答案还要快，并且涵盖了所有2D熊猫数组。

小开 
df.isnull().sum()

这将为您提供DataFrame各列中所有NaN值的计数。

小开

让df作为Pandas数据帧的名称，任何numpy.nan的值都是空值。

  1. 如果你想看看哪些列有空，哪些没有(只有True和False)

    df.isnull().any()

  2. 如果你想只看到有空值的列

    df.loc[:, df.isnull().any()].columns

  3. 如果你想查看每一列中null的计数

    df.isna().sum()

  4. 如果你想看到每列中null的百分比

    df.isna().sum()/(len(df))*100

  5. 如果你想查看只有空值的列中空值的百分比:

df.loc[:,list(df.loc[:,df.isnull().any()].columns)].isnull().sum()/(len(df))*100

编辑1:

如果你想从视觉上看到数据缺失的地方:

import missingno
missingdata_df = df.columns[df.isnull().any()].tolist()
missingno.matrix(df[missingdata_df])
小开 
import missingno as msno
msno.matrix(df)  # just to visualize. no missing value.

enter image description here

小开

你不仅可以检查是否有'NaN'存在，还可以使用下面的方法得到'NaN'在每一列中的百分比，

df = pd.DataFrame({'col1':[1,2,3,4,5],'col2':[6,np.nan,8,9,10]})
df


col1 col2
0   1   6.0
1   2   NaN
2   3   8.0
3   4   9.0
4   5   10.0




df.isnull().sum()/len(df)
col1    0.0
col2    0.2
dtype: float64
小开

通过使用seaborn模块的热图生成热图，我们可以看到数据集中存在的空值

import pandas as pd
import seaborn as sns
dataset=pd.read_csv('train.csv')
sns.heatmap(dataset.isnull(),cbar=False)
小开

为此，我们可以使用语句df.isna().any()。这将检查我们的所有列，如果有任何缺失值则返回True，如果没有缺失值则返回NaNs，或者返回False。

小开

试试下面的方法

df.isnull().sum()

或

df.isna().values.any()
小开

另一种方法是dropna，检查长度是否相等:

>>> len(df.dropna()) != len(df)
True
>>>
小开

我建议使用值属性作为数组的计算是更快的。

arr = np.random.randn(100, 100)
arr[40, 40] = np.nan
df = pd.DataFrame(arr)


%timeit np.isnan(df.values).any()  # 7.56 µs
%timeit np.isnan(df).any()         # 627 µs
%timeit df.isna().any(axis=None)   # 572 µs

结果:

7.56 µs ± 447 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
627 µs ± 40.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
572 µs ± 15.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

注意:你需要在Jupyter笔记本上运行%timeit才能工作

小开

缺失值的Bar表示

import missingno
missingno.bar(df)# will give you exact no of values and values missing
小开

这将只包括至少有一个null/na值的列。

 df.isnull().sum()[df.isnull().sum()>0]

提交答案