Автор оригинала: Python Examples.
Проверьте, является ли значение ячейки NAN в Pands
В этом руководстве мы узнаем, как проверить, является ли значение клетки NAN (NP.NAN) в пандах.
Нан означает не число. Pandas использует numpy.nan в качестве значения NAN.
Чтобы проверить, является ли значение в определенном месте в Pands NAN или нет, вызовите функцию Numpy.isnan () со значением, переданному в качестве аргумента.
numpy.isnan(value)
Если значение равно numpy.nan, выражение возвращает true, а не возвращает false.
Пример 1: Проверьте, является ли значение ячейки NAN в PandaS DataFrame
В этом примере мы возьмем dataframe с ценностями NAN в некоторых местах. Мы проверим, будут ли значения в определенных местах NAN или нет.
Python Program
import pandas as pd import numpy as np df = pd.DataFrame( [[np.nan, 72, 67], [23, 78, 62], [32, 74, np.nan], [np.nan, 54, 76]], columns=['a', 'b', 'c']) value = df.at[0, 'a'] #nan isNaN = np.isnan(value) print("Is value at df[0, 'a'] NaN :", isNaN) value = df.at[0, 'b'] #72 isNaN = np.isnan(value) print("Is value at df[0, 'b'] NaN :", isNaN)
Выход
Is value at df[0, 'a'] NaN : True Is value at df[0, 'b'] NaN : False
Пример 2: Проверьте, является ли значение ячейки NAN в PandaS DataFrame итеративно
В этом примере мы возьмем dataframe с ценностями NAN в некоторых местах. Мы будем переживать каждый из ценностей ячейки в этом DataFrame и проверить, если значение в этом месте является NAN или нет.
Python Program
import pandas as pd import numpy as np df = pd.DataFrame( [[np.nan, 72, 67], [23, 78, 62], [32, 74, np.nan], [np.nan, 54, 76]]) for i in range(df.shape[0]): #iterate over rows for j in range(df.shape[1]): #iterate over columns value = df.at[i, j] #get cell value print(np.isnan(value), end="\t") print()
Выход
True False False False False False False False True True False False
Резюме
В этом руководстве примеров Python мы узнали, как проверить, является ли определенная целлюлозное значение в Pands NAN или не используя функцию numpy.isnan ().