### 如何用Python检测pandas DataFrame中的缺失值 在Python中，`pandas`库提供了多种方法用于检测`DataFrame`中的缺失值。以下是几种常用的技术： #### 方法一：使用 `isna()` 或 `isnull()` 这两个函数功能相同，均用于检查`DataFrame`中的每个元素是否为缺失值。它们会返回一个布尔类型的`DataFrame`，其中缺失值的位置会被标记为`True`。 ```python import pandas as pd import numpy as np df = pd.DataFrame({ 'A': [1, 2, np.nan], 'B': [5, np.nan, np.nan], 'C': [7, 8, 9] }) missing_values = df.isna() print(missing_values) ``` 此代码片段展示了如何通过调用`isna()`来识别缺失值[^1]。 #### 方法二：统计每列的缺失值数量 可以通过组合使用`isna()`和`sum()`函数来统计每一列中有多少个缺失值。 ```python missing_count_per_column = df.isna().sum() print(missing_count_per_column) ``` 这段代码能够提供关于各列中具体有多少缺失值的信息[^5]。 #### 方法三：找出含有任何缺失值的行 为了定位哪些行包含了至少一个缺失值，可以结合`isna()`与`any()`两个函数一起工作。设置参数`axis=1`表示按照行的方向进行操作。 ```python rows_with_missing_values = df[df.isna().any(axis=1)] print(rows_with_missing_values) ``` 这里展示的是怎样提取那些存在缺失数据的具体行[^2]。 #### 综合应用实例 下面给出了一段综合性的例子，它不仅显示了哪里有丢失的数据，还打印出了这些特定位置的数量以及对应的整行记录。 ```python # 创建带有NA/NaN样本数据框 data = {'Name':['Tom', 'Jack', None, 'Steve'], 'Age':[28, np.nan, 22, 34]} df_sample = pd.DataFrame(data) # 查看原始数据帧 print("Original Data Frame:") print(df_sample) # 使用isna()寻找所有NA/Nan项并计数 total_na_counts = df_sample.isna().sum() print("\nTotal NA counts per column:") print(total_na_counts) # 获取具有任意NA/Nan值得行 filtered_rows = df_sample[df_sample.isna().any(axis=1)] print("\nRows that contain any NaN value:") print(filtered_rows) ``` 上述程序先定义了一个简单的包含潜在空缺项目的表格结构；接着运用之前提到的各种技巧逐一分析该表内的空白状况，并最终呈现出来自不同角度的结果集合[^4]。