NaN 是Not a number的缩写。它用于表示未定义的条目。它还用于表示数据集中的缺失值。
NaN 的概念甚至在 Python 创建之前就已经存在。IEEE 浮点算术标准 (IEEE 754) 于 1985 年引入了 NaN。
NaN 是一种特殊的浮点值，不能转换为除 float 之外的任何其他类型。
在本教程中，我们将了解 NaN 在 Pandas 和 Numpy 中的工作原理。
Numpy 中的 NaN
让我们看看 NaN 在Numpy下如何工作。为了观察 NaN 的属性，让我们创建一个包含 NaN 值的 Numpy 数组。
import numpy as nparr = np.array([1, np.nan, 3, 4, 5, 6, np.nan]) pritn(arr) |
输出 ：
[ 1. nan 3. 4. 5. 6. nan] |
1. Numpy 数组上 NaN 的数学运算
让我们尝试在Numpy 数组上调用一些基本函数。
print(arr.sum()) |
输出 ：
nan |
让我们尝试从数组中找到最大值：
print(arr.max()) |
输出 ：
nan |
值得庆幸的是，Numpy 提供了在执行数学运算时忽略 NaN 值的方法。
2. 在 Numpy 数组上执行数学运算时如何忽略 NaN 值
Numpy 为您提供了 np.nansum() 和 np.nanmax() 等方法来在忽略数组中的 NaN 值后计算总和和最大值。
np.nansum(arr) |
输出 ：
19.0 |
np.nanmax(arr) |
6.0 |
如果您在 IDE 中启用了自动补全功能，那么在使用 np.nan 时您将看到以下选项列表：
3. 检查 NaN 值
要检查 Numpy 数组中的 NaN 值，可以使用 np.isnan() 方法。
这会输出原始数组大小的布尔掩码。
np.isnan(arr) |
输出 ：
[False True False False False False True] |
输出数组对于原始数组中为 NaN 的索引为 true，对于其余索引为 false。
4. 使两个nan相等
两个 NaN 彼此相等吗？
这可能是一个令人困惑的问题。让我们尝试通过运行一些 python 代码来回答这个问题。
a = np.nanb = np.nan |
这两条语句用 nan 初始化两个变量 a 和 b。让我们尝试将两者等同起来。
a == b |
输出 ：
False |
在 Python 中，我们也有is运算符。让我们尝试用它来比较两个变量。
a is b |
输出 ：
True |
原因是 == 运算符比较两个操作数的值并检查值是否相等。is operator另一方面，检查两个操作数是否引用同一个对象。
事实上，你可以打印出 a 和 b 的 ID，发现它们引用的是同一个对象。
id(a) |
输出 ：
139836725842784 |
id(b) |
输出 ：
139836725842784 |
Pandas Dataframe 中的 NaN
Pandas DataFrame是将数据导入 python 的常见方法。让我们看看如何处理Pandas Dataframe 中的 NaN 值。
让我们从创建一个数据框开始。
s = pd.DataFrame([(0.0, np.nan, -2.0, 2.0),... (np.nan, 2.0, np.nan, 1),... (2.0, 5.0, np.nan, 9.0),... (np.nan, 4.0, -3.0, 16.0)],... columns=list('abcd'))s |
输出 ：
1. 检查 NaN 值
您可以使用isnull() 方法检查 NaN 值。输出将是一个布尔掩码，其尺寸与原始数据帧相同。
s.isnull() |
输出 ：
2. 替换 NaN 值
有多种方法可以替换 Pandas Dataframe 中的 NaN 值。最常见的方法是使用.fillna() 方法。
此方法要求您指定一个值来替换 NaN。
s.fillna(0) |
输出 ：
或者，您也可以按列提及这些值。这意味着一列下的所有 NaN 将被替换为相同的值。
values = {'a': 0, 'b': 1, 'c': 2, 'd': 3}s.fillna(value=values) |
输出 ：
您还可以使用插值来填充数据框中的缺失值。与 .fillna() 相比，插值是一种稍微高级的方法。
插值是一种可以估计两个已知数据点之间的未知数据点的技术。
3. 删除包含 NaN 值的行
要删除带有 NaN 的行或列，您可以使用.dropna()方法。
要删除包含 NaN 的行，请使用：
df.dropna() |
要删除包含 NaN 的列，请使用：
df.dropna(axis='columns') |
结论
本教程是关于 Python 中的 NaN。我们主要关注 Numpy 和 Pandas 中 NaN 的处理。希望您和我们一起学习愉快。