python 如何删除nan

Python中处理NaN（非数字）的几种方法

Python在处理数据时，经常会遇到NaN（非数字）的情况，这些数据可能是由于错误、缺失或无法归类等原因造成的，在数据清洗和预处理过程中，处理这些NaN值是非常重要的，以下是一些常见的处理NaN值的方法：

1、删除含有NaN的行或列

这是最简单也是最直接的方法，但是可能会导致数据损失，如果NaN值较多，可能会严重影响数据分析的结果。

df = df.dropna()  # 删除含有NaN的行
df = df.dropna(axis='column')  # 删除含有NaN的列

2、填充NaN值

如果数据集中NaN值较多，直接删除可能会严重影响数据分析的结果，因此可以考虑用其他值填充NaN，常用的填充值有平均值、中位数、众数或0等。

用平均值填充NaN
df['column'] = df['column'].fillna(df['column'].mean())
用中位数填充NaN
df['column'] = df['column'].fillna(df['column'].median())
用众数填充NaN
df['column'] = df['column'].fillna(df['column'].mode())
用0填充NaN
df['column'] = df['column'].fillna(0)

3、使用插值填充NaN

插值填充是基于其他行的数据来预测NaN值，常用的插值方法有线性插值、多项式插值、样条插值等。

线性插值填充NaN
df['column'] = df['column'].fillna(df['column'].interpolate(method='linear'))

4、根据其他特征预测NaN值

如果数据集中还有其他特征，可以尝试用这些特征来预测NaN值，可以用其他特征的平均值、中位数或众数来预测NaN值。

是一些处理Python中NaN值的常见方法，具体使用哪种方法取决于数据的特性和分析的需求。