溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下python出現nan的解決方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討方法吧！
很多數據不可避免的會遺失掉，或者采集的時候采集對象不愿意透露，這就造成了很多NaN（Not a Number）的出現。這些NaN會造成大部分模型運行出錯，所以對NaN的處理很有必要。
解決方法：
1、簡單粗暴地去掉
1）有如下dataframe，先用df.isnull().sum()檢查下哪一列有多少NaN:
import pandas as pd
df = pd.DataFrame({'a':[None,1,2,3],'b':[4,None,None,6],'c':[1,2,1,2],'d':[7,7,9,2]})
print (df)
print (df.isnull().sum())輸出：
2）將含有NaN的列(columns)去掉:
data_without_NaN =df.dropna(axis=1) print (data_without_NaN)
輸出：
2、遺失值插補法
很多時候直接刪掉列會損失很多有價值的數據，不利于模型的訓練。
所以可以考慮將NaN替換成某些數，顯然不能隨隨便便替換，有人喜歡替換成0，往往會畫蛇添足。
譬如調查工資收入與學歷高低的關系，有的人不想透露工資水平，但如果給這些NaN設置為0很顯然會失真。所以Python有個Imputation（插補）的方法。代碼如下：
from sklearn.preprocessing import Imputer my_imputer = Imputer() data_imputed = my_imputer.fit_transform(df) print (type(data_imputed)) # array轉換成df df_data_imputed = pd.DataFrame(data_imputed,columns=df.columns) print (df_data_imputed)
輸出：
可以看出，這里大概是用平均值進行了替換。
看完了這篇文章，相信你對python出現nan的解決方法有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
