在 Python 的 Pandas 库中，`float64` 类型的 `NaN` 值表示缺失或无效的数值数据。处理这些 `NaN` 值是数据清洗和预处理中的常见任务。以下是一些常用的方法： ### 1. 使用 `fillna()` 方法进行填充 `fillna()` 是最常用的方法之一，用于将 `NaN` 值替换为指定的值或其他计算结果。可以使用标量值、字典、Series 或 DataFrame 来填充。 ```python import pandas as pd import numpy as np # 示例数据框 df = pd.DataFrame({ 'A': [1.0, np.nan, 3.0], 'B': [np.nan, 5.0, np.nan] }) # 使用 0 填充所有 NaN 值 df_filled = df.fillna(0) print(df_filled) ``` 你也可以使用前一个或后一个有效值进行填充，通过设置 `method` 参数： ```python # 使用前一个有效值填充 df_ffill = df.fillna(method='ffill') print(df_ffill) # 使用后一个有效值填充 df_bfill = df.fillna(method='bfill') print(df_bfill) ``` ### 2. 使用 `dropna()` 方法删除包含 NaN 的行或列 如果你不需要处理 `NaN` 值，而是希望直接删除包含 `NaN` 的行或列，可以使用 `dropna()` 方法。 ```python # 删除包含 NaN 的行 df_dropped_rows = df.dropna() print(df_dropped_rows) # 删除包含 NaN 的列 df_dropped_cols = df.dropna(axis=1) print(df_dropped_cols) ``` ### 3. 使用 `isna()` 或 `isnull()` 检测 NaN 值 在处理 `NaN` 值之前，通常需要先检测哪些位置是 `NaN`。可以使用 `isna()` 或 `isnull()` 方法来进行检测。 ```python # 检测 NaN 值 nan_mask = df.isna() print(nan_mask) # 统计每列的 NaN 数量 nan_count = df.isna().sum() print(nan_count) ``` ### 4. 使用 `replace()` 方法替换特定值为 NaN 有时你可能需要将某些特定值（如 `inf` 或 `-inf`）替换为 `NaN`，以便后续处理。 ```python # 将 inf 替换为 NaN df_with_inf = pd.DataFrame({'A': [1.0, float('inf'), 3.0]}) df_replaced = df_with_inf.replace([np.inf, -np.inf], np.nan) print(df_replaced) ``` ### 5. 使用 `interpolate()` 方法进行插值 `interpolate()` 方法可以用于对 `NaN` 值进行插值，支持多种插值方法，如线性插值、多项式插值等。 ```python # 使用线性插值填充 NaN df_interpolated = df.interpolate() print(df_interpolated) ``` ### 6. 使用 `pd.NA` 替代 `np.nan` 在某些情况下，`np.nan` 可能不适合某些操作，尤其是在处理整数类型时。此时可以考虑使用 `pd.NA` 来表示缺失值，它可以在更多类型中使用，包括整数类型。 ```python # 将 np.nan 替换为 pd.NA df_with_na = df.fillna(pd.NA) print(df_with_na) ``` ### 7. 使用 `astype()` 转换类型时处理 NaN 如果你需要将 `float64` 类型的列转换为 `int64` 类型，但由于存在 `NaN` 值而无法直接转换，可以先使用 `fillna()` 填充 `NaN`，然后再进行类型转换。 ```python # 填充 NaN 后转换为 int64 类型 df['A'] = df['A'].fillna(0).astype('int64') print(df['A'].dtype) ``` ###