获取 pandas 中缺失值的数量 - Python

在使用 Pandas 进行数据分析时，缺失值是比较常见的情况。Pandas 提供了多种方法来处理这种情况，比如删除、填充缺失值等。在处理之前，我们需要知道缺失值的数量，针对数量有针对性地进行处理。

方法一：使用 isna() 函数

我们可以使用 Pandas 提供的 isna() 函数来计算 DataFrame 中缺失值的数量。isna() 函数将 DataFrame 中的所有元素进行遍历，如果是缺失值，则返回 True，否则返回 False，我们可以通过 sum() 函数来计算缺失值的数量。

import pandas as pd

df = pd.read_csv('data.csv')  # 从 CSV 文件中读取数据
na_count = df.isna().sum().sum()  # 计算缺失值的数量
print(f'缺失值的数量为：{na_count}')

返回结果示例：

缺失值的数量为：1234

使用 isna() 函数可以快速计算出 DataFrame 中所有缺失值的数量，但是如果数据量较大的时候，计算时间会比较长，不是很适合大规模数据的计算。

方法二：使用 count() 函数

另外，我们也可以使用 pandas.DataFrame.count() 函数来计算 DataFrame 中非缺失值的数量，然后用总数量减去非缺失值的数量就可以得到缺失值的数量了。

import pandas as pd

df = pd.read_csv('data.csv')  # 从 CSV 文件中读取数据
na_count = df.shape[0] * df.shape[1] - df.count().sum()  # 计算缺失值的数量
print(f'缺失值的数量为：{na_count}')

返回结果示例：

缺失值的数量为：1234

使用 count() 函数的优势在于运算速度较快，适用于大规模数据的计算。

总结

在 Pandas 中，我们有多种方法来计算 DataFrame 中缺失值的数量，这里介绍了两种常见的方法。使用这些函数可以方便地计算缺失值的数量，从而更好地处理缺失数据。