【Pandas】pandas Series dropna
Pandas2.2 Series
Computations descriptive stats
| 方法 | 描述 |
|---|---|
| Series.backfill(*[, axis, inplace, limit, …]) | 用于填充 Series 中缺失值（NaN）的方法 |
| Series.bfill(*[, axis, inplace, limit, …]) | 用于填充 Series 中缺失值（NaN）的方法 |
| Series.dropna(*[, axis, inplace, how, …]) | 用于删除 Series 中包含缺失值（NaN）的元素的方法 |
pandas.Series.dropna
pandas.Series.dropna 是用于删除 Series 中包含缺失值（NaN）的元素的方法。它可以根据不同的参数设置来灵活处理缺失值。
参数说明
- axis：{0或’index’}，默认为0。表示沿哪个轴进行操作。对于
Series来说，这个参数通常不需要设置。 - inplace：布尔值，默认为
False。如果为True，则就地修改原Series，否则返回一个新的Series。 - how：可选，默认为
None。指定如何判断缺失值：'any'：只要有缺失值就删除该元素。'all'：只有当所有值都是缺失值时才删除该元素。对于Series来说，这个参数通常没有实际意义，因为Series只有一列。
- ignore_index：布尔值，默认为
False。如果为True，则忽略原始索引，重置为整数索引。
示例及结果
示例1：基本用法
import pandas as pd
import numpy as np
# 创建一个包含缺失值的 Series
s = pd.Series([1, 2, np.nan, 4, np.nan, 6])
print("原始 Series:")
print(s)
# 使用 dropna 方法删除缺失值
cleaned_s = s.dropna()
print("\n删除缺失值后的 Series (使用 dropna):")
print(cleaned_s)
输出结果：
原始 Series:
0 1.0
1 2.0
2 NaN
3 4.0
4 NaN
5 6.0
dtype: float64
删除缺失值后的 Series (使用 dropna):
0 1.0
1 2.0
3 4.0
5 6.0
dtype: float64
示例2：使用 inplace 参数
# 创建一个包含缺失值的 Series
s_inplace = pd.Series([1, 2, np.nan, 4, np.nan, 6])
print("原始 Series:")
print(s_inplace)
# 使用 dropna 方法并设置 inplace=True
s_inplace.dropna(inplace=True)
print("\n删除缺失值后的 Series (使用 dropna 并设置 inplace=True):")
print(s_inplace)
输出结果：
原始 Series:
0 1.0
1 2.0
2 NaN
3 4.0
4 NaN
5 6.0
dtype: float64
删除缺失值后的 Series (使用 dropna 并设置 inplace=True):
0 1.0
1 2.0
3 4.0
5 6.0
dtype: float64
示例3：使用 ignore_index 参数
# 创建一个包含缺失值的 Series
s_ignore_index = pd.Series([1, 2, np.nan, 4, np.nan, 6])
print("原始 Series:")
print(s_ignore_index)
# 使用 dropna 方法并设置 ignore_index=True
cleaned_s_ignore_index = s_ignore_index.dropna(ignore_index=True)
print("\n删除缺失值后的 Series (使用 dropna 并设置 ignore_index=True):")
print(cleaned_s_ignore_index)
输出结果：
原始 Series:
0 1.0
1 2.0
2 NaN
3 4.0
4 NaN
5 6.0
dtype: float64
删除缺失值后的 Series (使用 dropna 并设置 ignore_index=True):
0 1.0
1 2.0
2 4.0
3 6.0
dtype: float64
示例4：使用 how 参数
由于 Series 只有一列，how 参数的效果在 Series 上并不明显，但在 DataFrame 中有显著区别。为了完整性，这里也给出示例：
# 创建一个包含缺失值的 Series
s_how = pd.Series([1, 2, np.nan, 4, np.nan, 6])
print("原始 Series:")
print(s_how)
# 使用 dropna 方法并设置 how='any'
cleaned_s_how_any = s_how.dropna(how='any')
print("\n删除缺失值后的 Series (使用 dropna 并设置 how='any'):")
print(cleaned_s_how_any)
# 使用 dropna 方法并设置 how='all'
cleaned_s_how_all = s_how.dropna(how='all')
print("\n删除缺失值后的 Series (使用 dropna 并设置 how='all'):")
print(cleaned_s_how_all)
输出结果：
原始 Series:
0 1.0
1 2.0
2 NaN
3 4.0
4 NaN
5 6.0
dtype: float64
删除缺失值后的 Series (使用 dropna 并设置 how='any'):
0 1.0
1 2.0
3 4.0
5 6.0
dtype: float64
删除缺失值后的 Series (使用 dropna 并设置 how='all'):
0 1.0
1 2.0
3 4.0
5 6.0
dtype: float64
通过这些示例，可以看到 dropna 方法在不同参数下的使用方式及其效果。特别是 inplace 和 ignore_index 参数可以更灵活地控制删除行为，从而更好地处理缺失值。