这篇文章主要介绍了Python缺失值处理方法，文章围绕主题展开详细内容介绍，具有一定的参考价值，需要的小伙伴可以参考一下

前言：

前面python重复值处理得方法我们讲了重复值是怎么处理的，今天就来说说缺失值。缺失值主要分为机械原因和人为原因。机械原因就是存储器坏了，机器故障等等原因导致某段时间未能收集到数据。人为原因的情况种类就更多了，如刻意隐瞒等等。

先构建一个含有缺失值的DataFrame，如下：

import pandas as pd
import numpy as np
data = pd.DataFrame([[1,np.nan,3],[np.nan,5,np.nan]],columns = ['a','b','c'])
print(data)

看出来了吗？np.nan就是NAN值，空值的意思。 

在numpy中有一个函数可以用来查看空值，不对，是两个，isnull()和isna()这两函数。

我们分别来试试它们的效果：

import pandas as pd
import numpy as np
data = pd.DataFrame([[1,np.nan,3],[np.nan,5,np.nan]],columns = ['a','b','c'])
data.isnull()
data.isna()

可以看出，这两函数的作用就是判断数据是不是空值，如果是，就返回true，不是就是false。 

通常，对空值的处理有两种方法，一种就是把空值删除，另外一种就是把它填上，我们先说第一种，删除空值，我们可以dropna()这一函数来把空值删除。要注意，它会把含有空值的整行都删掉。例如：

上面的例子用了drop函数后，啥都没啦！ 

我们可以设置当每行空值多余2个时再删除（低于2个保留），这时候要用到dropna()的参数thresh。

补充空值的话有挺多的方法，有用均值补充，中位数补充等，我们要用到fillna()这一函数。例如，我们用均值来填充上文中的data,

代码如下：

import pandas as pd
import numpy as np
data = pd.DataFrame([[1,np.nan,3],[np.nan,5,np.nan]],columns = ['a','b','c'])
data.fillna(data.mean())

代码运行的结果如下，可以看到空值都被对应列的均值所填充。