缺失值的处理是一件艺术活，最高的境界应该是缺而不失。pandas中提供了非常丰富的工具来对缺失值进行处理。这里主要是对常用方法的简要介绍。
注：不同地区和软件对缺失值的表示方法不同，在用pandas读取文件时可指定缺失值的形式给参数na_values,如：
missing_values = [‘n/a’, ‘na’, ‘–‘]
df = pd.read_csv(‘文件名‘， na_values = missing_values)
缺失值处理常用策略：
对有缺失值的行和列简单的删除；
对缺失值进行计算，如用变量的平均值或众数进行填充；
在缺失值周围建立模型，然后用模型提供的值进行填充。
一、缺失值的删除
1.数据集中缺失值的统计
2.检查某列是否有缺失值
3.删除某列中有缺失值的行
4.删除有缺失值的行
如果需要某行全部是缺失值才删除时，可以添加参数how = ‘all’, axis = 0
二、缺失值的计算
通常比较常用的填充缺失值的方法有计算变量的平均值、中位数和众数，更高级一点的是用K-NN和baye
版权声明：本文为weixin_32340879原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。