7.pandas对缺失值的处理

博主： huoyu
发布时间：2022 年 12 月 15 日
366 次浏览
暂无评论
8002字数
分类： Pandas

ipynb文件格式：[7.pandas对缺失值的处理.html](http://type.zimopy.com/usr/uploads/2022/12/669445859.html)

</div>

![image.png](http://type.zimopy.com/usr/uploads/2022/12/3420717106.png)

左边是未清洗，右边是清洗后的

下面开始清洗

# pandas对缺失值的处理

Pandas使用这些函数处理缺失值：

* isnull和notnull：检测是否是空值，可用于df和series
* 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则所有值都为空才删除
  - inplace : 如果为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 : 按行还是列填充，{0 or ‘index’, 1 or ‘columns’}
  - inplace : 如果为True则修改当前df，否则返回新的df

```python
import pandas as pd
```

# 实例：特殊excel的读取、清洗、处理

# 步骤1：读取excel时，忽略前几个空行

```python
studf = pd.read_excel("../datas/student_excel/student_excel.xlsx",skiprows=2)
```

```python
studf
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>Unnamed: 0</th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>NaN</td>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>3</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>NaN</td>
      <td>NaN</td>
    </tr>
    <tr>
      <th>4</th>
      <td>NaN</td>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>5</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>数学</td>
      <td>NaN</td>
    </tr>
    <tr>
      <th>6</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>7</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>NaN</td>
      <td>NaN</td>
    </tr>
    <tr>
      <th>8</th>
      <td>NaN</td>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤2：检测空值

## 检测所有

```python
studf.isnull()
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>Unnamed: 0</th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>True</td>
      <td>False</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>1</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>2</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>3</th>
      <td>True</td>
      <td>True</td>
      <td>True</td>
      <td>True</td>
    </tr>
    <tr>
      <th>4</th>
      <td>True</td>
      <td>False</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>5</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>True</td>
    </tr>
    <tr>
      <th>6</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>7</th>
      <td>True</td>
      <td>True</td>
      <td>True</td>
      <td>True</td>
    </tr>
    <tr>
      <th>8</th>
      <td>True</td>
      <td>False</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>9</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>10</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
  </tbody>
</table>
</div>

## 检测单列

```python
# studf["分数"].notnull()#不为空
studf["分数"].isnull()#为空
```
0     False
1     False
2     False
3      True
4     False
5      True
6     False
7      True
8     False
9     False
10    False
Name: 分数, dtype: bool
## 筛选没有空分数的所有行

```python
studf.loc[studf["分数"].notnull(),:]
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>Unnamed: 0</th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>NaN</td>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>4</th>
      <td>NaN</td>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>6</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>8</th>
      <td>NaN</td>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤3：删除全是空值的列

```python
studf.dropna(axis="columns",how="all",inplace=True)
studf
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>3</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>NaN</td>
    </tr>
    <tr>
      <th>4</th>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>5</th>
      <td>NaN</td>
      <td>数学</td>
      <td>NaN</td>
    </tr>
    <tr>
      <th>6</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>7</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>NaN</td>
    </tr>
    <tr>
      <th>8</th>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤4:删除全是空值的行

```python
studf.dropna(axis="index",how="all",inplace=True)
studf
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>4</th>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>5</th>
      <td>NaN</td>
      <td>数学</td>
      <td>NaN</td>
    </tr>
    <tr>
      <th>6</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>8</th>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤5：将分数列为空的填充为0分

```python
studf.fillna({"分数":0},inplace=True)
# 等同于
# studf.loc[;,"分数"] = studf["分数"].fillna(0)
```
```python
studf
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>4</th>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>5</th>
      <td>NaN</td>
      <td>数学</td>
      <td>0.0</td>
    </tr>
    <tr>
      <th>6</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>8</th>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤6：将姓名的缺失值填充

使用前面的有效值填充，用ffill:forward fill

```python
studf.loc[:,"姓名"] = studf["姓名"].fillna(method = "ffill")
studf
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>小明</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>小明</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>4</th>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>5</th>
      <td>小王</td>
      <td>数学</td>
      <td>0.0</td>
    </tr>
    <tr>
      <th>6</th>
      <td>小王</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>8</th>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>小刚</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>小刚</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤7：将洗好的excel保存

```python
studf.to_excel("../datas/student_excel/student_excel_clean.xlsx",index=False)
```

使用的数据集：

<div class="hideContent">此处内容需要评论回复后（审核通过）方可阅读。</div>

最后修改：2022 年 12 月 15 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱

地址

7.pandas对缺失值的处理

huoyu • 2022 年 12 月 15 日

ipynb文件格式：[7.pandas对缺失值的处理.html](http://type.zimopy.com/usr/uploads/2022/12/669445859.html)

</div>

![image.png](http://type.zimopy.com/usr/uploads/2022/12/3420717106.png)

左边是未清洗，右边是清洗后的

下面开始清洗

# pandas对缺失值的处理

Pandas使用这些函数处理缺失值：

```python
import pandas as pd
```

# 实例：特殊excel的读取、清洗、处理

# 步骤1：读取excel时，忽略前几个空行

```python
studf = pd.read_excel("../datas/student_excel/student_excel.xlsx",skiprows=2)
```

```python
studf
```

<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

# 步骤2：检测空值

## 检测所有

```python
studf.isnull()
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>Unnamed: 0</th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>True</td>
      <td>False</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>1</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>2</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>3</th>
      <td>True</td>
      <td>True</td>
      <td>True</td>
      <td>True</td>
    </tr>
    <tr>
      <th>4</th>
      <td>True</td>
      <td>False</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>5</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>True</td>
    </tr>
    <tr>
      <th>6</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>7</th>
      <td>True</td>
      <td>True</td>
      <td>True</td>
      <td>True</td>
    </tr>
    <tr>
      <th>8</th>
      <td>True</td>
      <td>False</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>9</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
    <tr>
      <th>10</th>
      <td>True</td>
      <td>True</td>
      <td>False</td>
      <td>False</td>
    </tr>
  </tbody>
</table>
</div>

## 检测单列

```python
studf.loc[studf["分数"].notnull(),:]
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>Unnamed: 0</th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>NaN</td>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>4</th>
      <td>NaN</td>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>6</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>8</th>
      <td>NaN</td>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>NaN</td>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤3：删除全是空值的列

```python
studf.dropna(axis="columns",how="all",inplace=True)
studf
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

# 步骤4:删除全是空值的行

```python
studf.dropna(axis="index",how="all",inplace=True)
studf
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>4</th>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>5</th>
      <td>NaN</td>
      <td>数学</td>
      <td>NaN</td>
    </tr>
    <tr>
      <th>6</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>8</th>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤5：将分数列为空的填充为0分

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>4</th>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>5</th>
      <td>NaN</td>
      <td>数学</td>
      <td>0.0</td>
    </tr>
    <tr>
      <th>6</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>8</th>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>NaN</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>NaN</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤6：将姓名的缺失值填充

使用前面的有效值填充，用ffill:forward fill

```python
studf.loc[:,"姓名"] = studf["姓名"].fillna(method = "ffill")
studf
```
<div>
<style scoped>
    .dataframe tbody tr th:only-of-type {
        vertical-align: middle;
    }

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>姓名</th>
      <th>科目</th>
      <th>分数</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>小明</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>1</th>
      <td>小明</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>2</th>
      <td>小明</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>4</th>
      <td>小王</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>5</th>
      <td>小王</td>
      <td>数学</td>
      <td>0.0</td>
    </tr>
    <tr>
      <th>6</th>
      <td>小王</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
    <tr>
      <th>8</th>
      <td>小刚</td>
      <td>语文</td>
      <td>85.0</td>
    </tr>
    <tr>
      <th>9</th>
      <td>小刚</td>
      <td>数学</td>
      <td>80.0</td>
    </tr>
    <tr>
      <th>10</th>
      <td>小刚</td>
      <td>英语</td>
      <td>90.0</td>
    </tr>
  </tbody>
</table>
</div>

# 步骤7：将洗好的excel保存

```python
studf.to_excel("../datas/student_excel/student_excel_clean.xlsx",index=False)
```

使用的数据集：

<div class="hideContent">此处内容需要评论回复后（审核通过）方可阅读。</div>

7.pandas对缺失值的处理

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

速注册OpenAi（ChatGPT），国内也可以

Frida 代码自动补全

ubuntu 实现内网穿透

最新Fiddler Web Debugger v5.0 20202.18177中文版

windows一键启动雷电模拟器的frida-server

Docker 备份->恢复数据

Git】Git如何实现某文件或文件夹不上传更新？（已解决）

python字符串格式转换之base64/hex/str互转的方法

native层函数没有导出时，如何获得相应函数地址

ubuntu搭建conda环境

7.pandas对缺失值的处理

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

7.pandas对缺失值的处理

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款