Come selezionare le righe con uno o più null da un DataFrame Panda senza elencare esplicitamente le colonne?


234

Ho un dataframe con ~ 300K righe e ~ 40 colonne. Voglio scoprire se qualche riga contiene valori null e mettere queste righe "null" in un frame di dati separato in modo da poterle esplorare facilmente.

Posso creare esplicitamente una maschera:

mask = False
for col in df.columns: 
    mask = mask | df[col].isnull()
dfnulls = df[mask]

O posso fare qualcosa del tipo:

df.ix[df.index[(df.T == np.nan).sum() > 1]]

Esiste un modo più elegante per farlo (localizzare le righe con valori nulli in esse)?

Risposte:


384

[Aggiornato per adattarsi al moderno pandas, che ha isnullcome metodo di DataFrame..]

Puoi usare isnulle anycostruire una serie booleana e usarla per indicizzare nel tuo frame:

>>> df = pd.DataFrame([range(3), [0, np.NaN, 0], [0, 0, np.NaN], range(3), range(3)])
>>> df.isnull()
       0      1      2
0  False  False  False
1  False   True  False
2  False  False   True
3  False  False  False
4  False  False  False
>>> df.isnull().any(axis=1)
0    False
1     True
2     True
3    False
4    False
dtype: bool
>>> df[df.isnull().any(axis=1)]
   0   1   2
1  0 NaN   0
2  0   0 NaN

[Per anziani pandas:]

È possibile utilizzare la funzione isnullanziché il metodo:

In [56]: df = pd.DataFrame([range(3), [0, np.NaN, 0], [0, 0, np.NaN], range(3), range(3)])

In [57]: df
Out[57]: 
   0   1   2
0  0   1   2
1  0 NaN   0
2  0   0 NaN
3  0   1   2
4  0   1   2

In [58]: pd.isnull(df)
Out[58]: 
       0      1      2
0  False  False  False
1  False   True  False
2  False  False   True
3  False  False  False
4  False  False  False

In [59]: pd.isnull(df).any(axis=1)
Out[59]: 
0    False
1     True
2     True
3    False
4    False

portando al piuttosto compatto:

In [60]: df[pd.isnull(df).any(axis=1)]
Out[60]: 
   0   1   2
1  0 NaN   0
2  0   0 NaN

75
def nans(df): return df[df.isnull().any(axis=1)]

allora quando ne hai bisogno puoi digitare:

nans(your_dataframe)

1
df[df.isnull().any(axis=1)]funziona ma genera UserWarning: Boolean Series key will be reindexed to match DataFrame index.. Come si riscrive in modo più esplicito e in un modo che non attiva quel messaggio di avviso?
Vishal,

3
@vishal Penso che tutto ciò che dovresti fare è aggiungere loc in questo modo; df.loc[df.isnull().any(axis=1)]
James Draper,


0

.any()e .all()sono ottimi per i casi estremi, ma non quando stai cercando un numero specifico di valori null. Ecco un modo estremamente semplice per fare ciò che credo tu stia chiedendo. È piuttosto prolisso, ma funzionale.

import pandas as pd
import numpy as np

# Some test data frame
df = pd.DataFrame({'num_legs':          [2, 4,      np.nan, 0, np.nan],
                   'num_wings':         [2, 0,      np.nan, 0, 9],
                   'num_specimen_seen': [10, np.nan, 1,     8, np.nan]})

# Helper : Gets NaNs for some row
def row_nan_sums(df):
    sums = []
    for row in df.values:
        sum = 0
        for el in row:
            if el != el: # np.nan is never equal to itself. This is "hacky", but complete.
                sum+=1
        sums.append(sum)
    return sums

# Returns a list of indices for rows with k+ NaNs
def query_k_plus_sums(df, k):
    sums = row_nan_sums(df)
    indices = []
    i = 0
    for sum in sums:
        if (sum >= k):
            indices.append(i)
        i += 1
    return indices

# test
print(df)
print(query_k_plus_sums(df, 2))

Produzione

   num_legs  num_wings  num_specimen_seen
0       2.0        2.0               10.0
1       4.0        0.0                NaN
2       NaN        NaN                1.0
3       0.0        0.0                8.0
4       NaN        9.0                NaN
[2, 4]

Quindi, se sei come me e vuoi cancellare quelle righe, scrivi questo:

# drop the rows from the data frame
df.drop(query_k_plus_sums(df, 2),inplace=True)
# Reshuffle up data (if you don't do this, the indices won't reset)
df = df.sample(frac=1).reset_index(drop=True)
# print data frame
print(df)

Produzione:

   num_legs  num_wings  num_specimen_seen
0       4.0        0.0                NaN
1       0.0        0.0                8.0
2       2.0        2.0               10.0
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.