有兩種丟失資料：

• None
• np.nan(NaN)

import pandas as pd
import numpy as np
from pandas import Series,DataFrame

1. None

None是Python自帶的，其型別為python object。因此，None不能參與到任何計算中。

print(type(None))

<class 'NoneType'>

2. np.nan（NaN）

np.nan是浮點型別，能參與到計算中。但計算的結果總是NaN。

print(type(np.nan))

<class 'float'>

np.nan +1 ==> nan

3. pandas中的None與NaN

1) pandas中None與np.nan都視作np.nan

df = DataFrame(data= np.random.randint(0,100,size=(8,10)))
df

#將某些陣列元素賦值為nan

df.iloc[2,5]=None
df.iloc[5,3]=None
df.iloc[7,7]=np.nan
df  # 結果都是nan

2) pandas處理空值操作

# 刪行
# 相鄰賦值

• isnull()
• notnull()
• dropna(): 過濾丟失資料
• fillna(): 填充丟失資料

(1)判斷函式

• isnull()
• notnull()

df.isnull().any(axis=1) 



=======================
0    False
1    False
2     True
3    False
4    False
5     True
6    False
7     True
dtype: bool

df.notnull().all(axis=1)

============
0     True
1     True
2    False
3     True
 
4     True
5    False
6     True
7    False
dtype: bool

固定搭配 isnull+any
notnull+all

• 　　df.notnull/isnull().any()/all()

#過濾df中的空值（只保留沒有空值的行）
df.loc[df.notnull().all(axis=1)]

用df.dropna()就可以替代上面多步的操作，一步到位

　　　　 可以選擇過濾的是行還是列（預設為行）:axis中0表示行，1表示的列

df.dropna(axis=0) 

(3) 填充函式 Series/DataFrame

• fillna():value和method引數
• method=> bfill 後覆蓋， ffill 前覆蓋 axis =>0列 1行

可以選擇前向填充還是後向填充

df.fillna(method='bfill',axis=0)   # 列的後覆蓋

============================================

練習7：

1. 簡述None與NaN的區別

2. 假設張三李四參加模擬考試，但張三因為突然想明白人生放棄了英語考試，因此記為None，請據此建立一個DataFrame,命名為ddd3

3. 老師決定根據用數學的分數填充張三的英語成績，如何實現？ 用李四的英語成績填充張三的英語成績？

============================================