Python酷库之旅-第三方库Pandas(023)

本篇文章分享Python酷库之旅-第三方库Pandas(023)，对你有帮助的话记得收藏一下，看Python资料网收获更多编程知识

目录

一、用法精讲

58、pandas.isnull函数

58-1、语法

58-2、参数

58-3、功能

58-4、返回值

58-5、说明

58-6、用法

58-6-1、数据准备

58-6-2、代码示例

58-6-3、结果输出

59、pandas.notna函数

59-1、语法

59-2、参数

59-3、功能

59-4、返回值

59-5、说明

59-6、用法

59-6-1、数据准备

59-6-2、代码示例

59-6-3、结果输出 

60、pandas.notnull函数

60-1、语法

60-2、参数

60-3、功能

60-4、返回值

60-5、说明

60-6、用法

60-6-1、数据准备

60-6-2、代码示例

60-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

58、pandas.isnull函数

58-1、语法

# 58、pandas.isnull函数
pandas.isnull(obj)
Detect missing values for an array-like object.

This function takes a scalar or array-like object and indicates whether values are missing (NaN in numeric arrays, None or NaN in object arrays, NaT in datetimelike).

Parameters:
obj
scalar or array-like
Object to check for null or missing values.

Returns:
bool or array-like of bool
For scalar input, returns a scalar boolean. For array input, returns an array of boolean indicating whether each corresponding element is missing.

58-2、参数

58-2-1、data(必须)：单个对象，类型可以是以下之一：

58-2-1-1、DataFrame：数据框

58-2-1-2、Series：序列

58-2-1-3、Index：索引

58-2-1-4、标量值(如整数、浮点数、字符串等)

58-3、功能

        用于检测给定对象中是否存在缺失值。

58-4、返回值

        返回一个与输入对象形状相同的布尔类型对象，表示对应位置是否为缺失值(NaN、None 等)。具体形式如下：

58-4-1、如果输入为DataFrame：返回一个DataFrame，其中每个元素为布尔值，表示相应位置是否为缺失值。

58-4-2、如果输入为Series：返回一个Series，其中每个元素为布尔值，表示相应位置是否为缺失值。

58-4-3、如果输入为Index：返回一个Index，其中每个元素为布尔值，表示相应位置是否为缺失值。

58-4-4、如果输入为标量值：返回一个布尔值，表示该值是否为缺失值。

58-5、说明

        该函数在数据预处理和清洗过程中非常有用，可以帮助快速定位缺失数据。

58-6、用法

58-6-1、数据准备

无

58-6-2、代码示例

# 58、pandas.isnull函数
# 58-1、对DataFrame检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
print(pd.isnull(df), end='\n\n')

# 58-2、对Series检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
s = pd.Series([1, np.nan, 3])
print(pd.isnull(s), end='\n\n')

# 58-3、对标量值检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
print(pd.isnull(np.nan))
print(pd.isnull(3))

58-6-3、结果输出

# 58、pandas.isnull函数
# 58-1、对DataFrame检测
#        A      B      C
# 0  False   True  False
# 1  False  False   True
# 2   True  False  False

# 58-2、对Series检测
# 0    False
# 1     True
# 2    False
# dtype: bool

# 58-3、对标量值检测
# True
# False

59、pandas.notna函数

59-1、语法

# 59、pandas.notna函数
pandas.notna(obj)
Detect non-missing values for an array-like object.

This function takes a scalar or array-like object and indicates whether values are valid (not missing, which is NaN in numeric arrays, None or NaN in object arrays, NaT in datetimelike).

Parameters:
obj
array-like or object value
Object to check for not null or non-missing values.

Returns:
bool or array-like of bool
For scalar input, returns a scalar boolean. For array input, returns an array of boolean indicating whether each corresponding element is valid.

59-2、参数

59-2-1、data(必须)：单个对象，类型可以是以下之一：

59-2-1-1、DataFrame：数据框

59-2-1-2、Series：序列

59-2-1-3、Index：索引

59-2-1-4、标量值(如整数、浮点数、字符串等)

59-3、功能

        用于检测给定对象中是否存在非缺失值，它与pandas.isnull(obj)函数相反。

59-4、返回值

      返回一个与输入对象形状相同的布尔类型对象，表示对应位置是否为非缺失值，具体形式如下：

59-4-1、如果输入为DataFrame：返回一个DataFrame，其中每个元素为布尔值，表示相应位置是否为非缺失值。

59-4-2、如果输入为Series：返回一个Series，其中每个元素为布尔值，表示相应位置是否为非缺失值。

59-4-3、如果输入为Index：返回一个Index，其中每个元素为布尔值，表示相应位置是否为非缺失值。

59-4-4、如果输入为标量值：返回一个布尔值，表示该值是否为非缺失值。

59-5、说明

      该函数在数据预处理和清洗过程中非常有用，可以帮助快速定位非缺失数据。  

59-6、用法

59-6-1、数据准备

无

59-6-2、代码示例

# 59、pandas.notna函数
# 59-1、对DataFrame检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
print(pd.notna(df), end='\n\n')

# 59-2、对Series检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
s = pd.Series([1, np.nan, 3])
print(pd.notna(s), end='\n\n')

# 59-3、对标量值检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
print(pd.notna(np.nan))
print(pd.notna(3))

59-6-3、结果输出 

# 59、pandas.notna函数
# 59-1、对DataFrame检测
#        A      B      C
# 0   True  False   True
# 1   True   True  False
# 2  False   True   True

# 59-2、对Series检测
# 0     True
# 1    False
# 2     True
# dtype: bool

# 59-3、对标量值检测
# False
# True

60、pandas.notnull函数

60-1、语法

# 60、pandas.notnull函数
pandas.notnull(obj)
Detect non-missing values for an array-like object.

This function takes a scalar or array-like object and indicates whether values are valid (not missing, which is NaN in numeric arrays, None or NaN in object arrays, NaT in datetimelike).

Parameters:
obj
array-like or object value
Object to check for not null or non-missing values.

Returns:
bool or array-like of bool
For scalar input, returns a scalar boolean. For array input, returns an array of boolean indicating whether each corresponding element is valid.

60-2、参数

60-2-1、data(必须)：单个对象，类型可以是以下之一：

60-2-1-1、DataFrame：数据框

60-2-1-2、Series：序列

60-2-1-3、Index：索引

60-2-1-4、标量值(如整数、浮点数、字符串等)

60-3、功能

        用于检测给定对象中是否存在非缺失值，它与pandas.notna(obj)函数功能相同。

60-4、返回值

      返回一个与输入对象形状相同的布尔类型对象，表示对应位置是否为非缺失值，具体形式如下：

60-4-1、如果输入为DataFrame：返回一个DataFrame，其中每个元素为布尔值，表示相应位置是否为非缺失值。

60-4-2、如果输入为Series：返回一个Series，其中每个元素为布尔值，表示相应位置是否为非缺失值。

60-4-3、如果输入为Index：返回一个Index，其中每个元素为布尔值，表示相应位置是否为非缺失值。

60-4-4、如果输入为标量值：返回一个布尔值，表示该值是否为非缺失值。

60-5、说明

        该函数在数据预处理和清洗过程中非常有用，可以帮助快速定位非缺失数据。

60-6、用法

60-6-1、数据准备

无

60-6-2、代码示例

# 60、pandas.notnull函数
# 60-1、对DataFrame检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
print(pd.notnull(df), end='\n\n')

# 60-2、对Series检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
s = pd.Series([1, np.nan, 3])
print(pd.notnull(s), end='\n\n')

# 60-3、对标量值检测
import pandas as pd
import numpy as np
df = pd.DataFrame({
    'A': [1, 2, np.nan],
    'B': [np.nan, 2, 3],
    'C': [1, np.nan, 3]
})
print(pd.notnull(np.nan))
print(pd.notnull(3))

60-6-3、结果输出

# 60、pandas.notnull函数
# 60-1、对DataFrame检测
#        A      B      C
# 0   True  False   True
# 1   True   True  False
# 2  False   True   True

# 60-2、对Series检测
# 0     True
# 1    False
# 2     True
# dtype: bool

# 60-3、对标量值检测
# False
# True

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。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。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！