Python?pandas中DataFrame.dropna()刪除缺失值用法實例
更新時間：2025年06月30日 09:46:19 作者：weixin_44865058
在Python的Pandas庫中DataFrame對象是處理二維表格數(shù)據的核心結構,下面這篇文章主要介紹了Python?pandas中DataFrame.dropna()刪除缺失值用法的相關資料,需要的朋友可以參考下
前言
在 Pandas 中，DataFrame.dropna() 用于刪除缺失值（NaN 或 None），是數(shù)據清洗的關鍵操作。以下是詳細用法和常見場景：
1. 基本語法
cleaned_df = df.dropna(
axis=0, # 刪除行（默認）或列（axis=1）
how='any', # 'any'（默認，存在缺失即刪除）或 'all'（全為缺失才刪除）
thresh=None, # 保留非缺失值數(shù)量≥thresh的行/列
subset=None, # 僅檢查指定列的缺失情況
inplace=False # 是否原地修改（False時返回新DataFrame）
)
2. 核心參數(shù)詳解
| 參數(shù) | 說明 | 示例 |
|---|---|---|
| axis | 0 或 'index'：刪除包含缺失值的行（默認）1 或 'columns'：刪除列 | df.dropna(axis=1) |
| how | 'any'：行/列中任一缺失即刪除'all'：行/列全部缺失才刪除 | df.dropna(how='all') |
| thresh | 保留至少含 thresh 個非缺失值的行/列（優(yōu)先級高于 how） | df.dropna(thresh=3) |
| subset | 僅對指定列（列表形式）檢查缺失值 | df.dropna(subset=['Age', 'Salary']) |
| inplace | True：直接修改原DataFrame，不返回新對象False：返回新DataFrame（默認） | df.dropna(inplace=True) |
3. 常見使用場景
(1) 刪除所有含缺失值的行（默認行為）
import pandas as pd
import numpy as np
df = pd.DataFrame({
'A': [1, np.nan, 3],
'B': ['x', np.nan, 'z'],
'C': [10, 20, 30]
})
cleaned_df = df.dropna()
print(cleaned_df)
輸出：
A B C
0 1.0 x 10
2 3.0 z 30
(2) 刪除所有含缺失值的列
cleaned_df = df.dropna(axis=1) print(cleaned_df)
輸出：
C
0 10
1 20
2 30
(3) 僅當整行全為缺失值時刪除
cleaned_df = df.dropna(how='all')
(4) 保留至少2個非缺失值的行
cleaned_df = df.dropna(thresh=2)
(5) 僅檢查特定列的缺失值
cleaned_df = df.dropna(subset=['A', 'B'])
4. 注意事項
- 缺失值類型：Pandas 將
None和np.nan均視為缺失值。 - 性能優(yōu)化：對大型DataFrame，
thresh比how更高效。 - 替代方案：若不想刪除數(shù)據，可用
df.fillna()填充缺失值。
5. 可視化對比
原始數(shù)據 (df)：
| A | B | C |
|---|---|---|
| 1.0 | ‘x’ | 10 |
| NaN | NaN | 20 |
| 3.0 | ‘z’ | 30 |
執(zhí)行 df.dropna() 后：
| A | B | C |
|---|---|---|
| 1.0 | ‘x’ | 10 |
| 3.0 | ‘z’ | 30 |
通過靈活組合參數(shù)，dropna() 可以精準控制數(shù)據清洗的粒度，是處理缺失值的利器！
總結
到此這篇關于Python pandas中DataFrame.dropna()刪除缺失值用法的文章就介紹到這了,更多相關pandas DataFrame.dropna()刪除缺失值內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了Python生成個性簽名圖片獲取GUI過程解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-12-12
Pampy是Python的一個模式匹配類庫，一個只有150行的類庫，該庫優(yōu)雅、高效值得廣大Python的碼農加入自己基本開發(fā)棧中。本文就來講講Pampy的用法，需要的可以參考一下2022-07-07
這篇文章主要為大家詳細介紹了如何使用Python實現(xiàn)快速將pdf文件剪切成多個圖片,文中的示例代碼講解詳細,有需要的小伙伴可以跟隨小編一起學習一下2024-01-01
python四個坐標點對圖片區(qū)域最小外接矩形進行裁剪
在圖像裁剪操作中，opencv和pillow兩個庫都具有相應的函數(shù)，如果想要對目標的最小外接矩形進行裁剪該如何操作呢？本文就來詳細的介紹一下2021-06-06
這篇文章主要介紹了Python實現(xiàn)多腳本處理定時運行，文章圍繞主題展開詳細的內容介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-06-06
這篇文章主要介紹了Python telnet登陸功能實現(xiàn)代碼,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-04-04
在數(shù)據分析領域，Python的Pandas庫是一個非常強大的工具。這篇文章將為大家詳細介紹如何使用Pandas進行數(shù)據分析，希望對大家有所幫助2023-04-04
這篇文章主要介紹了python解壓rar加密文件過程詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-07-07
Python稀疏矩陣及參數(shù)保存代碼實現(xiàn)
這篇文章主要介紹了Python稀疏矩陣及參數(shù)保存代碼實現(xiàn),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-04-04
ResNet網絡可以達到很深的層數(shù)的原因就是不斷的堆疊殘差結構而來的，接下來通過本文給大家介紹pytorch實現(xiàn)ResNet結構的示例代碼，喜歡的朋友跟隨小編一起看看吧2021-05-05