In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]') In [25]: s Out[25]: 0 2013-01-01 00:00:00 1 NaT 2 2013-01-02 09:30:00 dtype: datetime64[ns]`` In [26]: pd.isnull(s) Out[26]: 0 False 1 True 2 False dtype: bool 1 (cũng In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]') In [25]: s Out[25]: 0 2013-01-01 00:00:00 1 NaT 2 2013-01-02 09:30:00 dtype: datetime64[ns]`` In [26]: pd.isnull(s) Out[26]: 0 False 1 True 2 False dtype: bool 2, trong các phiên bản mới hơn) kiểm tra các giá trị bị thiếu trong cả mảng số và chuỗi/đối tượng. Từ tài liệu, nó kiểm tra:
Nan trong các mảng số, không/nan trong mảng đối tượng
Ví dụ nhanh:
import pandas as pd import numpy as np s = pd.Series(['apple', np.nan, 'banana']) pd.isnull(s) Out[9]: 0 False 1 True 2 False dtype: boolÝ tưởng sử dụng In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]') In [25]: s Out[25]: 0 2013-01-01 00:00:00 1 NaT 2 2013-01-02 09:30:00 dtype: datetime64[ns]`` In [26]: pd.isnull(s) Out[26]: 0 False 1 True 2 False dtype: bool 3 để thể hiện các giá trị bị thiếu là thứ mà In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]') In [25]: s Out[25]: 0 2013-01-01 00:00:00 1 NaT 2 2013-01-02 09:30:00 dtype: datetime64[ns]`` In [26]: pd.isnull(s) Out[26]: 0 False 1 True 2 False dtype: bool 4 đã giới thiệu, đó là lý do tại sao In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]') In [25]: s Out[25]: 0 2013-01-01 00:00:00 1 NaT 2 2013-01-02 09:30:00 dtype: datetime64[ns]`` In [26]: pd.isnull(s) Out[26]: 0 False 1 True 2 False dtype: bool 4 có các công cụ để đối phó với nó.
DateTimes cũng vậy (nếu bạn sử dụng In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]') In [25]: s Out[25]: 0 2013-01-01 00:00:00 1 NaT 2 2013-01-02 09:30:00 dtype: datetime64[ns]`` In [26]: pd.isnull(s) Out[26]: 0 False 1 True 2 False dtype: bool 6, bạn sẽ không cần chỉ định DTYPE)
In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]') In [25]: s Out[25]: 0 2013-01-01 00:00:00 1 NaT 2 2013-01-02 09:30:00 dtype: datetime64[ns]`` In [26]: pd.isnull(s) Out[26]: 0 False 1 True 2 False dtype: boolNAN là viết tắt của không phải là một số là giá trị dấu phẩy động đại diện cho dữ liệu bị thiếu. Mọi người luôn nhầm lẫn giữa không có và NAN vì nó trông giống nhau, nhưng cả hai đều hoàn toàn khác nhau.NaN because it looks similar, but both are quite different.
Không có dữ liệu là dữ liệu của riêng mình (Nonetype) được sử dụng để xác định giá trị null hoặc không có giá trị nào cả. Không có gì không giống với 0, sai hoặc một chuỗi trống. Mặc dù các giá trị bị thiếu là NAN trong các mảng số, nhưng chúng không có trong các mảng đối tượng.None is a data its own(NoneType) used to define a null value or no value at all. None is not the same as 0, False, or an empty string. While missing values are NaN in numerical arrays, they are None in object arrays.
Để kiểm tra NAN trong Python, & NBSP;
- math.isnan (): Nó kiểm tra xem một giá trị là nan (không phải là số), hoặc không.It checks whether a value is NaN (Not a Number), or not.
- np.isnan (): Nó kiểm tra NAN và kết quả trả lại như một mảng boolean.It checks for NaN and return result as a boolean array.
- pd.isna (): & nbsp; nó phát hiện các giá trị bị thiếu.It detects missing values.
- Tạo chức năng của riêng bạn
Sử dụng math.isnan ()
Toán học.isnan () là một phương thức Python tích hợp để kiểm tra xem giá trị có phải là NAN hay không (không phải là số) hay không. Phương thức isnan () trả về true nếu giá trị được chỉ định là nan. Nếu không, nó trả về sai.NaN (Not a Number) or not. The isnan() method returns True if the specified value is a NaN. Otherwise, it returns False.
Cú pháp
math.isnan(num)Tranh luận
Num & nbsp; là một tham số cần thiết là giá trị cần kiểm tra.num is a required parameter which is the value to check.
Thí dụ
import math test_data_a = 21 test_data_b = -19 test_data_c = float("nan") print(math.isnan(test_data_a)) print(math.isnan(test_data_b)) print(math.isnan(test_data_c))Đầu ra
False False TrueSử dụng phương thức np.isnan ()
Phương thức np.isnan () kiểm tra phần tử khôn ngoan cho NAN và trả về kết quả dưới dạng mảng boolean.np.isnan() method tests the element-wise for NaN and returns the result as a boolean array.
import numpy as np test_data_a = 21 test_data_b = -19 test_data_c = float("nan") print(np.isnan(test_data_a)) print(np.isnan(test_data_b)) print(np.isnan(test_data_c))Đầu ra
False False TrueSử dụng phương thức np.isnan ()
Phương thức np.isnan () kiểm tra phần tử khôn ngoan cho NAN và trả về kết quả dưới dạng mảng boolean.
Và hàm np.isnan () trả về đúng nếu tìm thấy giá trị nan.pd.isna() is a pandas function that can check if the value is NaN.
import pandas as pd test_data_a = 21 test_data_b = -19 test_data_c = float("nan") print(pd.isna(test_data_a)) print(pd.isna(test_data_b)) print(pd.isna(test_data_c))Đầu ra
False False TrueSử dụng phương thức np.isnan ()
Phương thức np.isnan () kiểm tra phần tử khôn ngoan cho NAN và trả về kết quả dưới dạng mảng boolean.
Và hàm np.isnan () trả về đúng nếu tìm thấy giá trị nan.NaN values in Python is to check if the variable is equal to itself. If it is not, then it must be NaN value. Let’s create a function that checks the value to itself.
def isNaN(num): return num!= num data = float("nan") print(isNaN(data))Đầu ra
In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]') In [25]: s Out[25]: 0 2013-01-01 00:00:00 1 NaT 2 2013-01-02 09:30:00 dtype: datetime64[ns]`` In [26]: pd.isnull(s) Out[26]: 0 False 1 True 2 False dtype: bool 0Sử dụng phương thức np.isnan ()
Phương thức np.isnan () kiểm tra phần tử khôn ngoan cho NAN và trả về kết quả dưới dạng mảng boolean.