怎么使用pandas或numpy处理数据中的空值(np.isnan()/pd.isnull())？
在数据处理的时候，我们比较常用到的库要么是numpy，要么是pandas。在数据中出现空值的情况下我们要对其进行一些处理，这两种库的处理方式有类似之处，那么numpy处理数据中的空值和pandas处理数据中的空值有什么区别呢？接下来我们就来分析一下。
最近在做数据处理的时候，遇到个让我欲仙欲死的问题，那就是数据中的空值该如何获取。
我的目的本来是获取数据中的所有非零且非空值，然后再计算获得到的所有数据计算均值，再用均值把0和空值填上。这个操作让我意识到了i is None/np.isnan(i)/i.isnull()之间的差别，再此做简单介绍：
1.关于np.nan：
先明确一个问题，即空值的产生只有np.nan()一种方法。
# np.nan()的一些奇妙性质： np.nan == np.nan >>> False np.isnan(np.nan) >>> True np.nan is None >>> False type(np.nan) >>> float
总结一下：
np.nan不是一个“空”对象，用 i is None判断是False；
对某个值是否为空值进行判断，只能用np.isnan(i)函数，万万不可用 i == np.nan()来做，否则你会死的很惨的，因为空值并不能用判断相等的“==”正确识别（上例前两条）；
np.nan非空对象，其类型为基本数据类型float（是不是很神奇，我也不知道为什么要这样设计）
2.np.isnan()和pd.isnull()何时使用：
# 首先创建一个DataFrame：
bb = pd.DataFrame({'a':[0,1,2,np.nan]})
bb
>>> a
0 0.0
1 1.0
2 2.0
3 NaN
# 先测试一下np.isnan()
np.isnan(bb)
>>> a
0 False
1 False
2 False
3 True
# 值得一提的是，如果想获悉整个DataFrame有无空值，可以在此基础上这样做：
np.isnan(bb).all()
>>> a False
dtype: bool # 这行是指返回值的dtype
# 再测试一下isnull()
pd.isnull(bb)
>>> a
0 False
1 False
2 False
3 True
由上可见，其实np.isnan()和pd.isnull()都可以对不论是DataFrame、Python list还是仅仅一个数值进行空值检测。但一般在实际应用中，np.isnan()多用于单个值的检验，pd.isnull()用于对一个DataFrame或Series（整体）的检验。
此外，根据pandas官方文档和源代码，pandas提供的另一个函数pd.isna()与pd.isnull()完全一样。
上面提到的any()/all()函数，请见pandas文档：
其他与空值检测或删除相关的函数还有：notna()、fillna()、dropna()等等。实战中应灵活使用。
补充：numpy中的nan(判断一个元素等于nan, 及nan安全函数 )
Nunpy中的NaN
多种方式创建nan(空值)
import numpy as np
np.nan
nan
np.NaN
nan
np.NAN
nan
判断是否存在空值
x = np.array([1, 1, 8, np.nan, 10])
np.nan in x
False
np.isin(np.nan, x)
array(False)
1 in x
True
np.isin(1, x)
array(True)
np.isnan(x)
array([False, False, False, True, False])
x[-2] == np.nan, np.isnan(x[-2])
(False, True)
在np中nan需要用isnan这个函数来识别，还要注意：
x
array([ 1., 1., 8., nan, 10.])
x 中所有的元素都变成了浮点型，这是因为nan是浮点型的。
nan安全函数
np.mean(x)
nan
np.nanmean(x)
5.0
此外max, min, median等都是默认非nan安全的，需要加上nan来标记nan安全。
ps:pandas中是默认nan安全的。
补充：Python 处理DataFrame数据 pd.isnull() np.isnan()的方式
数据处理时，经常会遇到处理数据中的空值，涉及几个常用函数，pd.isnull()，pd.notnull()，np.isnan()，pd.notna()，pd.isna()，pd.fillna()、pd.dropna()等等.
本文关注pd.isnull()，pd.notnull()，np.isnan()，pd.notna()，pd.isna()。
总结：
由下可知，np.isnan()和pd.isnull()都可以对不论是DataFrame、Python list还是仅仅一个数值进行空值检测。但一般在实际应用中，np.isnan()多用于单个值的检验，pd.isnull()用于对一个DataFrame或Series（整体）的检验。
1.pd.isnull()
pd.isnull()可以对不论是DataFrame、Python list还是仅仅一个数值进行空值检测。但一般在实际应用中，pd.isnull()用于对一个DataFrame或Series（整体）的检验。
此外，根据pandas官方文档和源代码，pandas提供的另一个函数pd.isna()与pd.isnull()完全一样。
# 首先创建一个DataFrame：
df = pd.DataFrame({'a':[0,1,2,np.nan]})
df
>>> a
0 0.0
1 1.0
2 2.0
3 NaN
# 测试isnull()
pd.isnull(df)
>>> a
0 False
1 False
2 False
3 True
# 测试isna()
pd.isna(df)
>>> a
0 False
1 False
2 False
3 True
# 测试notnull()
pd.notnull(df)
>>> a
0 True
1 True
2 True
3 False
# 测试notna()
pd.notna(df)
>>> a
0 True
1 True
2 True
3 False
2.np.nan()
判断是否为np.nan()。
np.nan不是一个“空”对象，对某个值是否为空值进行判断，只能用np.isnan(i)函数。
np.nan非空对象，其类型为基本数据类型float。
np.nan()可以对不论是DataFrame、Python list还是仅仅一个数值进行空值检测。但一般在实际应用中，np.nan()多用于单个值的检验。
np.nan == np.nan
>>> False
np.isnan(np.nan)
>>> True
type(np.nan)
>>> float
np.nan is None
>>> False
np.isnan(df)
>>> a
0 False
1 False
2 False
3 True
以上就是numpy处理数据中的空值和pandas处理数据中的空值有什么区别的全部内容，希望能给大家一个参考，也希望大家多多支持W3Cschool。