Python Pandas DataFrame删除空单元格

Question

我有一个通过解析一些excel电子表格创建的pd.DataFrame。其中一列有空单元格。例如，下面是该列频率的输出，32320记录缺少租户的值。

   In [67]: value_counts(Tenant,normalize=False)
   Out[67]:
                              32320
   Thunderhead                8170
   Big Data Others            5700
   Cloud Cruiser              5700
   Partnerpedia               5700
   Comcast                    5700
   SDP                        5700
   Agora                      5700
   dtype: int64

我正在尝试删除租户丢失的行，但是isnull选项无法识别丢失的值。

   In [71]: df['Tenant'].isnull().sum()
   Out[71]: 0

该列的数据类型为“Object”。在这种情况下发生了什么？如何删除租户丢失的记录？

Answer 1

如果值为np.nan对象，Pandas会将该值识别为null，该对象将在DataFrame中打印为NaN。您的缺失值可能是空字符串，Pandas不会将其识别为null。要解决此问题，您可以使用np.nan将空蜇（或空单元格中的任何内容）转换为replace()个对象，然后在DataFrame上调用dropna()以删除具有空租户的行

为了演示，我们在Tenants列中创建了一个包含一些随机值和一些空字符串的DataFrame：

>>> import pandas as pd
>>> import numpy as np
>>> 
>>> df = pd.DataFrame(np.random.randn(10, 2), columns=list('AB'))
>>> df['Tenant'] = np.random.choice(['Babar', 'Rataxes', ''], 10)
>>> print df

          A         B   Tenant
0 -0.588412 -1.179306    Babar
1 -0.008562  0.725239         
2  0.282146  0.421721  Rataxes
3  0.627611 -0.661126    Babar
4  0.805304 -0.834214         
5 -0.514568  1.890647    Babar
6 -1.188436  0.294792  Rataxes
7  1.471766 -0.267807    Babar
8 -1.730745  1.358165  Rataxes
9  0.066946  0.375640         

现在我们将Tenants列中的所有空字符串替换为np.nan个对象，如下所示：

>>> df['Tenant'].replace('', np.nan, inplace=True)
>>> print df

          A         B   Tenant
0 -0.588412 -1.179306    Babar
1 -0.008562  0.725239      NaN
2  0.282146  0.421721  Rataxes
3  0.627611 -0.661126    Babar
4  0.805304 -0.834214      NaN
5 -0.514568  1.890647    Babar
6 -1.188436  0.294792  Rataxes
7  1.471766 -0.267807    Babar
8 -1.730745  1.358165  Rataxes
9  0.066946  0.375640      NaN

现在我们可以删除空值：

>>> df.dropna(subset=['Tenant'], inplace=True)
>>> print df

          A         B   Tenant
0 -0.588412 -1.179306    Babar
2  0.282146  0.421721  Rataxes
3  0.627611 -0.661126    Babar
5 -0.514568  1.890647    Babar
6 -1.188436  0.294792  Rataxes
7  1.471766 -0.267807    Babar
8 -1.730745  1.358165  Rataxes

Answer 2

value_counts默认省略NaN，因此您最有可能处理“”。

所以你可以像

一样过滤掉它们

filter = df["Tenant"] != ""
dfNew = df[filter]

Answer 3

在某种情况下，单元格有空白区域，您无法看到它，请使用

df['col'].replace('  ', np.nan, inplace=True)

将空格替换为NaN，

然后

df= df.dropna(subset=['col'])

Answer 4

Pythonic + Pandorable：df[df['col'].astype(bool)]

空字符串是虚假的，这意味着您可以像这样过滤布尔值：

df = pd.DataFrame({
    'A': range(5),
    'B': ['foo', '', 'bar', '', 'xyz']
})
df
   A    B
0  0  foo
1  1     
2  2  bar
3  3     
4  4  xyz

df['B'].astype(bool)                                                                                                                      
0     True
1    False
2     True
3    False
4     True
Name: B, dtype: bool

df[df['B'].astype(bool)]                                                                                                                  
   A    B
0  0  foo
2  2  bar
4  4  xyz

如果您的目标不仅是删除空字符串，而且还删除仅包含空格的字符串，请事先使用str.strip：

df[df['B'].str.strip().astype(bool)]
   A    B
0  0  foo
2  2  bar
4  4  xyz

比您想象的快

.astype是矢量化操作，比到目前为止提供的每个选项都快。至少从我的测试来看。 YMMV。

这里是时间比较，我想到了一些其他方法。

基准代码，供参考：

import pandas as pd
import perfplot

df1 = pd.DataFrame({
    'A': range(5),
    'B': ['foo', '', 'bar', '', 'xyz']
})

perfplot.show(
    setup=lambda n: pd.concat([df1] * n, ignore_index=True),
    kernels=[
        lambda df: df[df['B'].astype(bool)],
        lambda df: df[df['B'] != ''],
        lambda df: df[df['B'].replace('', np.nan).notna()],  # optimized 1-col
        lambda df: df.replace({'B': {'': np.nan}}).dropna(subset=['B']),  
    ],
    labels=['astype', "!= ''", "replace + notna", "replace + dropna", ],
    n_range=[2**k for k in range(1, 15)],
    xlabel='N',
    logx=True,
    logy=True,
    equality_check=pd.DataFrame.equals)

Answer 5

如果您不关心丢失文件所在的列，考虑到数据框的名称为 New 并且想要将新数据框分配给同一变量，只需运行

New = New.drop_duplicates()

如果您特别想删除列 Tenant 中空值的行，这将完成工作

New = New[New.Tenant != '']

这也可用于删除具有特定值的行 - 只需将字符串更改为所需的值即可。

注意：如果不是空字符串而是NaN，则

New = New.dropna(subset=['Tenant'])

Answer 6

您可以使用此变体：

import pandas as pd
vals = {
    'name' : ['n1', 'n2', 'n3', 'n4', 'n5', 'n6', 'n7'],
    'gender' : ['m', 'f', 'f', 'f',  'f', 'c', 'c'],
    'age' : [39, 12, 27, 13, 36, 29, 10],
    'education' : ['ma', None, 'school', None, 'ba', None, None]
}
df_vals = pd.DataFrame(vals) #converting dict to dataframe

这将输出（** - 仅突出显示所需的行）：

   age education gender name
0   39        ma      m   n1 **
1   12      None      f   n2    
2   27    school      f   n3 **
3   13      None      f   n4
4   36        ba      f   n5 **
5   29      None      c   n6
6   10      None      c   n7

所以要放弃所有没有“教育”的东西。值，请使用以下代码：

df_vals = df_vals[~df_vals['education'].isnull()] 

（＆＃39;〜＆＃39;表示不）

结果：

   age education gender name
0   39        ma      m   n1
2   27    school      f   n3
4   36        ba      f   n5