Python酷库之旅-第三方库Pandas(023)
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:objscalar or array-likeObject to check for null or missing values.Returns:bool or array-like of boolFor 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 pdimport numpy as npdf = 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 pdimport numpy as npdf = 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 pdimport numpy as npdf = 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# False59、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:objarray-like or object valueObject to check for not null or non-missing values.Returns:bool or array-like of boolFor 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 pdimport numpy as npdf = 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 pdimport numpy as npdf = 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 pdimport numpy as npdf = 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# True60、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:objarray-like or object valueObject to check for not null or non-missing values.Returns:bool or array-like of boolFor 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 pdimport numpy as npdf = 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 pdimport numpy as npdf = 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 pdimport numpy as npdf = 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
