以泰坦尼克数据集为例，探讨空值检测手段isna()和isnull()

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

话题回到泰坦尼克数据集，本文以该数据集为例，探讨对数据进行清洗处理中空值检测的几种方式。因为在数据清洗的领域里面，空值是一定影响数据预测的结果的。一定要提前预防。

苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码经验文章。测试环境：python@3.12.3，pandas@2.2.2，numpy@1.26.4，xlrd@2.0.1，openpyxl@3.1.2。

空值检测数据集准备

数据集不同版本的选择，和后面的代码的编写是很紧密相关的。下面的链接可以对泰坦尼克数据集做较详细的描述。

• https://newsn.net/say/titanic.html
• https://newsn.net/say/sklearn-fetch_openml.html
• https://newsn.net/say/pandas-excel.html

对于na空值，实际上是本文讨论的重点内容。什么样的数据可以被认为是na，pandas是有着自己的标准的。但是，这个标准可以被自定义。比如一些不合理的数据，也可以在读取excel文件的时候，通过定义na_values参数，就被自动转化为NA值。

import pandas as pd
file = "http://hbiostat.org/data/repo/titanic3.xls"
df = pd.read_excel(file, "titanic3", index_col=None, na_values=['NA'])

值得注意的是：read_excel()的时候，是可以通过定义na_values谁是NA，来刻意改变空值的范围的。

isna() 和 isnull()

据目前的资料显示，.isna()和.isnull()的返回值完全一样。两者完全一致，其同时存在的理由，仅仅是使用习惯的历史问题。isnull()函数是pandas最初就具备的函数，而isna()是后来为了与R语言中的命名习惯保持一致而引入的。

其返回值是个集合，并非单纯的True或者False。可以用于比较整个DataFrame，或者某个Series。

Series 空值检测

使用范例：

a = df["name"].isnull()
b = df["name"].isna()
print(type(a), type(b))
print(a)
print(b)

输出：

<class 'pandas.core.series.Series'> <class 'pandas.core.series.Series'>
0       False
1       False
2       False
3       False
4       False
        ...
1304    False
1305    False
1306    False
1307    False
1308    False
Name: name, Length: 1309, dtype: bool
0       False
1       False
2       False
3       False
4       False
        ...
1304    False
1305    False
1306    False
1307    False
1308    False
Name: name, Length: 1309, dtype: bool

DataFrame空值检测

使用范例：

c = df.isnull()
d = df.isna()
print(type(c), type(d))
print(c)
print(d)

输出：

isna() / isnull() 结果对比

实际上这满屏幕的True或者False，没有什么实际的意义。False表示非空，True表示为空值。两者是否真的完全一致。还的进行进一步检测。下面的两个方案，实际上根据DataFrame还是Series，效果不一样。

方案一

print((a == b).all())
print((c == d).all())

输出：

True

pclass       True
survived     True
name         True
sex          True
age          True
sibsp        True
parch        True
ticket       True
fare         True
cabin        True
embarked     True
boat         True
body         True
home.dest    True
dtype: bool

这个输出结果可以看到：对于Series来说，这个方法可用。但是，对于DataFrame来说，并不好用。因为它的返回值并不是我们期待的单独的一个结果。

方案二【推荐】

import numpy as np
print(np.all(a == b))
print(np.all(c == d))

输出：

True
True

显而易见，这个方案才是我们所需要的。相关文章：

• https://newsn.net/say/numpy-all.html

总结

本文内容说了很多，其实仅仅阐述了一个事情。就是可以使用isna()或者isnull()来检测数据集里面，每条数据的每条字段是否为空。更多苏南大叔的python内容，请参考：

• https://newsn.net/tag/python/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。