在 pandas 中按列检查缺失值 - Python

在数据分析过程中，经常需要检查数据集中是否有缺失值。在 Pandas 中，我们可以使用 .isnull() 方法来检查数据集中的缺失值。该方法将返回一个布尔类型的 DataFrame，其中 True 表示该位置存在缺失值。

以下是一个示例代码片段，演示了如何按列检查缺失值：

import pandas as pd

# 创建示例数据集
data = {'Name': ['Tom', 'John', 'Sarah', 'Rose', 'Tina'],
        'Age': [28, 19, 25, np.nan, 21],
        'City': ['Beijing', 'New York', np.nan, 'London', 'Tokyo'],
        'Salary': [3000, 2500, 5000, np.nan, 4000]}
df = pd.DataFrame(data)

# 检查缺失值
null_values = df.isnull().sum()
print(null_values)

输出结果如下：

Name      0
Age       1
City      1
Salary    1
dtype: int64

上面的代码中，我们首先创建了一个示例数据集，并命名为 df。然后使用 .isnull() 方法检查了数据集中的缺失值，将结果存储在 null_values 变量中。最后，我们打印了 null_values 变量，以显示每列中的缺失值数量。

Markdown 版本的代码片段如下：

# 在 pandas 中按列检查缺失值 - Python

在数据分析过程中，经常需要检查数据集中是否有缺失值。在 Pandas 中，我们可以使用 `.isnull()` 方法来检查数据集中的缺失值。该方法将返回一个布尔类型的 DataFrame，其中 True 表示该位置存在缺失值。

以下是一个示例代码片段，演示了如何按列检查缺失值：

```python
import pandas as pd

# 创建示例数据集
data = {'Name': ['Tom', 'John', 'Sarah', 'Rose', 'Tina'],
        'Age': [28, 19, 25, np.nan, 21],
        'City': ['Beijing', 'New York', np.nan, 'London', 'Tokyo'],
        'Salary': [3000, 2500, 5000, np.nan, 4000]}
df = pd.DataFrame(data)

# 检查缺失值
null_values = df.isnull().sum()
print(null_values)

输出结果如下：

Name      0
Age       1
City      1
Salary    1
dtype: int64

上面的代码中，我们首先创建了一个示例数据集，并命名为 df。然后使用 .isnull() 方法检查了数据集中的缺失值，将结果存储在 null_values 变量中。最后，我们打印了 null_values 变量，以显示每列中的缺失值数量。