一、简介
isnull()是Pandas库中DataFrame和Series对象的一个函数，用于检测数据中的缺失值。它返回一个布尔类型的DataFrame或Series，其中True表示该位置的值是缺失的（NaN或None），False表示该位置的值不是缺失的。
二、语法和参数
|
1 |
DataFrame.isnull() |
isnull()函数没有参数。它直接应用于DataFrame或Series对象。
三、实例
3.1 基本使用
代码：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
import pandas as pd import numpy as np
# 创建一个包含NaN和None的DataFrame df = pd.DataFrame({ 'A': [1, np.nan, 3, None], 'B': [4, 5, np.nan, 7], 'C': [8, 9, 10, 11] })
print("原始DataFrame:") print(df)
print("\n使用isnull()后的结果:") print(df.isnull()) |
输出：
原始DataFrame:
A B C
0 1.0 4.0 8
1 NaN 5.0 9
2 3.0 NaN 10
3 NaN 7.0 11使用isnull()后的结果:
A B C
0 False False False
1 True False False
2 False True False
3 True False False
3.2 与sum()函数结合使用
代码：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
import pandas as pd import numpy as np
df = pd.DataFrame({ 'A': [1, np.nan, 3, None], 'B': [4, 5, np.nan, 7], 'C': [8, 9, 10, 11] })
print("每列缺失值的数量:") print(df.isnull().sum())
print("\n每行缺失值的数量:") print(df.isnull().sum(axis=1)) |
输出：
每列缺失值的数量:
A 2
B 1
C 0
dtype: int64每行缺失值的数量:
0 0
1 1
2 1
3 1
dtype: int64
3.3 与布尔索引结合使用
代码：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
import pandas as pd import numpy as np
df = pd.DataFrame({ 'A': [1, np.nan, 3, None], 'B': [4, 5, np.nan, 7], 'C': [8, 9, 10, 11] })
print("原始DataFrame:") print(df)
print("\n含有缺失值的行:") print(df[df.isnull().any(axis=1)])
print("\n所有值都不缺失的行:") print(df[df.notnull().all(axis=1)]) |
输出：
原始DataFrame:
A B C
0 1.0 4.0 8
1 NaN 5.0 9
2 3.0 NaN 10
3 NaN 7.0 11含有缺失值的行:
A B C
1 NaN 5.0 9
2 3.0 NaN 10
3 NaN 7.0 11所有值都不缺失的行:
A B C
0 1.0 4.0 8
四、注意事项
- isnull()函数可以检测NaN和None值，但不能检测空字符串或其他可能被视为"缺失"的值。
- 对于非数值类型的列（如字符串或日期时间），只有None值会被视为缺失，而NaN不会。
- isnull()的逻辑相反函数是notnull()，它返回True表示非缺失值，False表示缺失值。
- 在处理大型数据集时，isnull()可能会消耗较多内存，因为它会创建一个与原DataFrame大小相同的新DataFrame。
- isnull()和isna()是完全相同的函数，可以互换使用。
- 在进行数据清洗和预处理时，isnull()是一个非常有用的工具，可以帮助识别和处理缺失数据。
