1.空值统计

• 空值统计

                num_vars['Salary'].isnull().sum()

• 非空值统计

               num_vars['Salary'].count()

 

2.空值处理

 

1.填充法

1.使用前项填充

store_items.fillna(method = 'ffill', axis = 0)

发现glasses 的一个值没有被填充，前向填充就是用后一个人舔自己的位置，后向填充相反。

2.使用后项填充

store_items.fillna(method = 'backfill', axis = 0)

3.线性填充（可与理解为等差序列填充）

 

2.删除法

data.dropna(how = 'all')    # 传入这个参数后将只丢弃全为缺失值的那些行

data.dropna(axis = 1)       # 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）

data.dropna(axis=1,how="all")   # 丢弃全为缺失值的那些列

data.dropna(axis=0,subset = ["Age", "Sex"])   # 丢弃‘Age’和‘Sex’这两列中有缺失值的行