在Python中处理空值（缺失值）的常见方法包括使用Pandas库的`fillna（）`函数，以及使用其他第三方库如`impyute`和`fancyimpute`。以下是使用Pandas进行空值填充的一些示例：
使用Pandas的`fillna（）`函数
python
import pandas as pd
import numpy as np
创建一个带空值的数据
data = {'成绩': [85, np.nan, 92, np.nan, 78, 88]}
df = pd.DataFrame（data）
用平均值填充
df['成绩_均值填充'] = df['成绩'].fillna（df['成绩'].mean（））
用固定值填充
df['成绩_固定值填充'] = df['成绩'].fillna（0）
print（df）
使用`dropna（）`删除缺失值
python
import pandas as pd
import numpy as np
创建测试数据
data = {'姓名': ['小明', '小红', '小张', '小李', '小王'], '语文': [85, 92, np.nan, 78, 88], '数学': [92, 88, 76, np.nan, 85]}
df = pd.DataFrame（data）
删除包含空值的行
df_clean = df.dropna（）
print（df_clean）
使用`impyute`和`fancyimpute`进行空值填充
python
import pandas as pd
import numpy as np
from impyute.impute import SimpleImputer
from fancyimpute import KNNImputer
创建一个带空值的数据
data = {'A': [1, 2, None, 4, 5], 'B': [2, 4, None, 3, 2]}
df = pd.DataFrame（data）
使用SimpleImputer填充空值
imputer = SimpleImputer（strategy='mean'）
df_filled = imputer.fit_transform（df）
df_filled = pd.DataFrame（df_filled, columns=df.columns）
使用KNNImputer填充空值
imputer = KNNImputer（n_neighbors=2）
df_filled = imputer.fit_transform（df）
df_filled = pd.DataFrame（df_filled, columns=df.columns）
print（df_filled）
使用`fillna（）`的其他方法
使用指定值填充：
python
df['成绩'] = df['成绩'].fillna（0） 用0填充空值
使用前一个值填充（前向填充）：
python
df['成绩'] = df['成绩'].fillna（method='ffill'）
使用后一个值填充（后向填充）：
python
df['成绩'] = df['成绩'].fillna（method='bfill'）
使用插值法填充：
python
df['成绩'] = df['成绩'].interpolate（）
选择填充方法时，应根据实际的数据场景和需求来决定，例如在处理时间序列数据时，使用前一个值填充可能更合理。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://sigusoft.com/bj/55809.html