NaN được cho là không bao giờ bằng bất kỳ giá trị nào, kể cả chính nó hoặc các giá trị NaN khác. Trong các ngôn ngữ như Java, JavaScript và các ngôn ngữ khác hỗ trợ số học dấu phẩy động tiêu chuẩn của IEEE, một cách để phát hiện NaN là gán nó cho một biến và biến đó sẽ không bằng chính nó nếu nó là NaN. Thử cái này.
[scratchblocks]
Có thể ngắn mạch khối
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Đối với gấu trúc xác định những gì mà hầu hết các nhà phát triển sẽ biết là giá trị
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Trong hầu hết các trường hợp, các thuật ngữ
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Đánh giá dữ liệu bị thiếu
Ở cấp độ cơ sở, gấu trúc cung cấp hai chức năng để kiểm tra dữ liệu
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Ngoài các chức năng trên, pandas còn cung cấp 2 phương thức để kiểm tra dữ liệu
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Ví dụ, hãy tạo một Series đơn giản trong pandas
import pandas as pd
import numpy as np
s = pd.Series[[2,3,np.nan,7,"The Hobbit"]]
Bây giờ đánh giá Sê-ri
In [3]: s.isnull[]
Out[3]:
0 False
1 False
2 True
3 False
4 False
dtype: bool
In [3]: s.isnull[]
Out[3]:
0 False
1 False
2 True
3 False
4 False
dtype: bool
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Để kiểm tra phương pháp
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [3]: s.isnull[]
Out[3]:
0 False
1 False
2 True
3 False
4 False
dtype: bool
In [3]: s.isnull[]
Out[3]:
0 False
1 False
2 True
3 False
4 False
dtype: bool
Như mong đợi, giá trị duy nhất được đánh giá là
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [3]: s.isnull[]
Out[3]:
0 False
1 False
2 True
3 False
4 False
dtype: bool
Xác định xem có BẤT KỲ giá trị nào trong một chuỗi bị thiếu hay không
Mặc dù phương pháp
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Có một vài khả năng liên quan đến việc xâu chuỗi nhiều phương thức lại với nhau
Phương pháp nhanh nhất được thực hiện bằng cách xâu chuỗi
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Trong một số trường hợp, bạn có thể muốn xác định có bao nhiêu giá trị
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Đếm các giá trị còn thiếu trong DataFrame
Mặc dù chuỗi
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Ví dụ: trước tiên chúng ta cần tạo một DataFrame đơn giản với một vài giá trị
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Bây giờ nếu chúng ta xâu chuỗi một phương thức
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Chúng ta có thể thấy trong ví dụ này, cột đầu tiên của chúng ta chứa ba giá trị
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [3]: s.isnull[]
Out[3]:
0 False
1 False
2 True
3 False
4 False
dtype: bool
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Để có được tổng cộng của tất cả các giá trị
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
In [2]: s
Out[2]:
0 2
1 3
2 NaN
3 7
4 The Hobbit
dtype: object
Là NaN hay == NaN?
NaN không bằng NaN . Truyện ngắn. Theo thông số kỹ thuật của IEEE 754, mọi thao tác được thực hiện trên các giá trị NaN sẽ mang lại giá trị sai hoặc sẽ gây ra lỗi. Cảm ơn CJ J đã chia sẻ điều này.
NaN có bằng chính nó không?
Vâng, a Số không phải là số Không bằng chính nó . Nhưng không giống như trường hợp không xác định và null khi so sánh một giá trị không xác định với null là đúng nhưng kiểm tra kỹ [===] giống nhau sẽ cho bạn một giá trị sai, hành vi của NaN là do thông số kỹ thuật của IEEE mà tất cả các hệ thống cần tuân thủ.
Tại sao NaN không bằng chính nó?
Để thoát khỏi phép ẩn dụ kỳ lạ này của tôi và quay lại Python, NaN không thể bằng chính nó vì NaN là kết quả của một thất bại . Kết quả của một lỗi không thể bằng kết quả của bất kỳ lỗi nào khác và các giá trị chưa biết không thể bằng nhau.
Làm cách nào để so sánh NaN trong gấu trúc?
Các cách kiểm tra NaN trong Pandas DataFrame như sau. .
Kiểm tra NaN với isnull[]. giá trị. phương thức bất kỳ []
Đếm NaN Sử dụng isnull[]. phương pháp tổng []
Kiểm tra NaN Sử dụng isnull[]. giá trị. phương thức bất kỳ []
Đếm NaN Sử dụng isnull[]. Tổng[]. phương pháp tổng []