Pandas中常见的缺失值处理，46张图详解 | 图解Pandas-图文第9篇
01写在前面
大家好，我是阳哥，欢迎来到「Python数据之道」。
今天来跟大家分享《图解Pandas》系列图文内容的 第 9 篇，主要介绍 Pandas 中常见的缺失值数据处理 。
本文是付费阅读文章，付费阅读内容包括《图解Pandas》图文干货内容、可以在电脑端观看的高清视频以及配套的源代码等。
此外，为避免各种不必要的麻烦，微信没有退款机制，付费前请谨慎。
Pandas 是 Python数据分析中用的最多的工具，为了大家能够更好地学习 Pandas，阳哥开始制作一系列 《图解Pandas》 的内容。
《图解Pandas》 最主要的目标，是以视频图解、动态图片等方式呈现，拆解 Pandas 在数据处理过程中的主要知识点，以便大家能进一步了解 Pandas 的使用，形象地介绍 Pandas，进而使大家喜欢上 Pandas 这个工具。
《图解Pandas》图文专题，最新的内容可以点击下面的图片进行查看。
在本文编写时，《图解Pandas》系列已发布的图文如下：
| 图文链接 | 视频号对应编号 |
|---|---|
| 《图解Pandas》内容框架介绍 | - |
| 图文01-数据结构介绍 | 001 |
| 图文02-创建数据对象 | 002 |
| 图文03-读取和存储Excel文件 | 003、004 |
| 图文04-常见的数据访问 | 005 |
| 图文05-常见的数据运算 | 006-008 |
| 图文06-常见的数学计算 | 009、010 |
| 图文07-常见的数据统计 | 011-015 |
| 图文08-常见的数据筛选 | 016-028 |
本次主要介绍 Pandas 中常见的缺失值数据处理 ，内容框架如下：
该主题包括 6 期视频，在微信视频号「Python数据之道」中发布的对应视频编号为 029 至 034，大家可以前往观看：
注：本文发布时，在视频号中可以观看视频
029，后续将发布030至034。
在本文后面内容中可以同时观看高清版视频
029至034。
扫描下面的二维码，关注视频号，可以观看《图解Pandas》已发布的所有视频以及及时推送最新的视频：
02常见的缺失值数据处理
Python环境
开始之前，按照惯例先介绍下本次内容涉及的Python环境，如下：
Python 3.8 Pandas 1.4.1 numpy 1.22.3
我是在 jupyter notebook 中运行代码的，首先引入相关 Python 库：
import pandas as pd
import numpy as np
print(f'pandas version:{pd.__version__}')
print(f'numpy version:{np.__version__}')
# pandas version:1.4.1
# numpy version:1.22.3
创建数据
咱们先来创建一个dataframe，也就是“数据框”。
关于创建数据对象的详细介绍，大家可以观看 「图解Pandas」系列的第2期视频。
创建 df 如下：
df = pd.DataFrame(
[
[3, 8, 31],
[np.nan, np.nan, 2],
[np.nan, np.nan, np.nan],
[10, 1, np.nan],
[5,8,12]
],
columns=list("abc"),
)
df
来看看数据框 “df” 的数据结构，为 5 行 3 列，数值类型包括 NA值和整型。后续，会根据需要在该数据框的基础上，创建其他的一些数据框。
在内容介绍过程中，主要是针对数据框介绍各种方法的应用。同时，也需要知道，其中有不少方法，对于 Series 也是适用的。
缺失值类型
咱们先来了解缺失值的类型，也就是在 Pandas 中，哪些数值类型可以作为NA值来处理。
总的来说，在 Pandas 中有4中类型的缺失值：
其中，第一种是 numpy 库中的 nan 值，用代码表述是 np.nan 或 np.NaN。