Pandas2.2 DataFrame

Missing data handling

方法	描述
DataFrame.fillna([value, method, axis, …])	用于填充 DataFrame 中的缺失值（NaN）
DataFrame.backfill(*[, axis, inplace, …])	用于**使用后向填充（即“下一個有效觀測值”）來填補缺失值（NaN）**的方法
DataFrame.bfill(*[, axis, inplace, limit, …])	用于**使用后向填充（即“下一個有效觀測值”）來填補缺失值（NaN）**的方法
DataFrame.dropna(*[, axis, how, thresh, …])	用于刪除包含缺失值（NaN）的行或列的方法
DataFrame.ffill(*[, axis, inplace, limit, …])	用于**使用前向填充（即“前一個有效觀測值”）來填補缺失值（NaN）**的方法
DataFrame.interpolate([method, axis, limit, …])	用于對缺失值（NaN）進行插值填充的方法
DataFrame.isna()	用于檢測 DataFrame 中缺失值（NaN）的位置的方法

pandas.DataFrame.isna()

pandas.DataFrame.isna() 是一個用于檢測 DataFrame 中缺失值（NaN）的位置的方法。它返回一個新的布爾型 DataFrame，其中每個元素表示對應位置的值是否為 NaN。

---

📌 方法簽名

DataFrame.isna()

---

? 返回值

• 返回一個與原 DataFrame 形狀相同的布爾型 DataFrame；
• 若某個位置是 NaN，則對應位置為 True；
• 否則為 False。

該方法不會修改原始數據。

---

? 注意事項

• isna() 不支持參數；
• 它僅用于檢測 NaN，不識別 None 或其他空值（如空字符串、0 等）；
• 可以結合 isnull() 使用（二者完全等價）；
• 常用于統計缺失值數量或定位缺失值位置。

---

🧪 示例代碼及結果

示例 1：基本用法

import pandas as pd
import numpy as npdf = pd.DataFrame({'A': [1, np.nan, 3],'B': [np.nan, 2, np.nan],'C': [5, 6, 7]
})print("Original DataFrame:")
print(df)# 檢測 NaN 位置
df_isna = df.isna()
print("\nAfter isna():")
print(df_isna)

輸出結果：

Original DataFrame:A    B  C
0  1.0  NaN  5
1  NaN  2.0  6
2  3.0  NaN  7After isna():A      B      C
0  False   True  False
1   True  False  False
2  False   True  False

---

示例 2：統計每列的缺失值數量

# 統計每列 NaN 的數量
nan_count = df.isna().sum()
print("\nMissing value count per column:")
print(nan_count)

輸出結果：

Missing value count per column:
A    1
B    2
C    0
dtype: int64

---

示例 3：統計整個 DataFrame 中的缺失值總數

total_nan = df.isna().sum().sum()
print(f"\nTotal missing values: {total_nan}")

輸出結果：

Total missing values: 3

---

示例 4：篩選出包含缺失值的行

# 篩選至少有一個 NaN 的行
rows_with_nan = df[df.isna().any(axis=1)]
print("\nRows with any NaN:")
print(rows_with_nan)

輸出結果：

Rows with any NaN:A    B  C
0  1.0  NaN  5
1  NaN  2.0  6
2  3.0  NaN  7

---

🧠 應用場景

場景	說明
查看缺失情況	快速了解哪些位置存在缺失值
統計缺失比例	結合 sum() 和 len() 計算缺失比例
過濾含缺失值的行/列	使用 df.isna().any() 配合布爾索引
可視化前的數據檢查	在繪圖前確保無缺失值影響圖表
預處理流程的一部分	作為填充或刪除缺失值前的判斷依據

---

?? 補充說明

• isna() 與 isnull() 完全等價，可互換使用；
• 對于非浮點類型列（如字符串、整數），若含有 NaN，也會被標記為 True；
• 如果你希望將 None 視為 NaN，可以先使用 df.replace([None], np.nan) 轉換。

---

? 總結對比

方法	是否推薦使用	說明
isna()	? 推薦	更直觀地表達“是否為空”
isnull()	? 推薦	與 isna() 完全相同，兼容性考慮

你可以將 isna() 作為日常數據清洗的第一步，快速掌握數據集中缺失值的分布情況。