Python数据分析：缺失值处理方法详解

如何查看缺失值？

• 在 Pandas 中，可以使用 'isnull()' 和 'notnull()' 方法来检测缺失值。
• 在 numpy 中，可以使用 'isnan()' 方法来检测缺失值。

处理缺失值都有哪些方法？

• 删除缺失值：可以使用 'dropna()' 方法来删除包含缺失值的行或列。
• 填充缺失值：可以使用 'fillna()' 方法来填充缺失值，常见的填充方法包括使用平均值、前向填充和后向填充等。
• 插值填充：可以使用 'interpolate()' 方法来进行插值填充，常见的插值方法包括线性插值、样条插值和多项式插值等。

Python中的缺失值都有哪些表示形式？

• NaN：在 Pandas 和 numpy 中，缺失值通常用 'NaN'（Not a Number）来表示。
• None：在 Python 中，'None' 也可以表示缺失值，但它与 NaN 有所不同，它是一个 Python 中的对象，而 NaN 是一个浮点数类型。
• NaT：在 Pandas 中，当处理时间序列数据时，缺失值通常用 'NaT'（Not a Time）来表示。