pandas对缺失值的处理

# Pandas对缺失值的处理(判断是否为空、删除or丢弃、填充空值)

# pandas使用这些函数处理缺失值：
#     isnull 和 notnull ：检验是否是空值，可用于series和df
#     dropna：丢弃、删除缺失值
#            axis：删除行还是列，{0 or “index”，1 or “columns”}，default 0
#            how :如果等于any则任何值为空都删除，如果等于all则所有值为空才删除
#            inplace： 如果是True则修改当前df，否则返回新的df
#      fillna：填充空值
#             value： 用于填充的值，可以是单个值，或者字典（key是列名，value是值）
#             method ： 等于ffill使用前一个不为空的值填充forword fill；；等于bfill使用后一个不为空的值填充backword fill
#             axis ： 按行还是列进行填充{0 or“index”，1 or“columns”}
#             inplace： 如果是True则修改当前df，否则返回新的df



import pandas as pd 
# 实例：特殊excel的读取、清洗、处理

# 步骤1 读取excel的时候，忽略前几个空行
studf = pd.read_excel("文件路径",skiprows=2)   #跳过前2个空行

# 步骤2 检测空值
studf.isnull()
studf["分数"].isnull()
studf["分数"].notnull()
# 筛选没有空分数的所有行
studf.loc[studf["分数"].notnull(),:]



# 步骤3： 删除掉全是空值的列
studf.dropna(axis = "columns",how="all",inplace = True)

# 步骤4 ： 删除掉全是空值的行
studf.dropna(axis = "index",how = "all",inplace=True)


# 步骤5 ： 将分数列为空的填充为0分
studf.fillna({"分数":0})
# 等同于
studf.loc[:,"分数"] = studf["分数"].fillna(0)


# 步骤6   将姓名的缺失值天填充
# 使用前面的有效值填充，有ffill：forword fill
studf.loc[:,"姓名"] = studf["姓名"].fillna(method = "ffill")

# 步骤7  将清洗好的excel保存
studf.to_excel("保存路径",index = False)   #去除索引