Як підрахувати значення NaN у стовпці в пандах DataFrame

У мене є дані, в яких я хочу знайти кількість NaN, так що якщо вона буде меншою за деякий поріг, я скину ці стовпці. Я подивився, але не зміг знайти для цього жодної функції. Є value_counts, але для мене це буде повільно, тому що більшість цінностей є чіткими, і я хочу NaNлише рахувати .

Ви можете використовувати isna()метод (або його псевдонім, isnull()який також сумісний із старими версіями панд <0,21,0), а потім підсумовувати підрахунок значень NaN. Для одного стовпця:

In [1]: s = pd.Series([1,2,3, np.nan, np.nan])

In [4]: s.isna().sum()   # or s.isnull().sum() for older pandas versions
Out[4]: 2

Для кількох стовпців він також працює:

In [5]: df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

In [6]: df.isna().sum()
Out[6]:
a    1
b    2
dtype: int64

Ви можете відняти загальну довжину від кількості ненових значень:

count_nan = len(df) - df.count()

Ви повинні розмістити його на своїх даних. Для невеликих серій отримали 3-кратну швидкість порівняно з isnullрішенням.

Припустимо df, це панди DataFrame.

Тоді,

df.isnull().sum(axis = 0)

Це дасть кількість значень NaN у кожному стовпці.

Якщо вам потрібно, значення NaN у кожному рядку,

df.isnull().sum(axis = 1)

Виходячи з найбільш проголосованої відповіді, ми можемо легко визначити функцію, яка дає нам кадр даних для попереднього перегляду пропущених значень та% пропущених значень у кожному стовпці:

def missing_values_table(df):
        mis_val = df.isnull().sum()
        mis_val_percent = 100 * df.isnull().sum() / len(df)
        mis_val_table = pd.concat([mis_val, mis_val_percent], axis=1)
        mis_val_table_ren_columns = mis_val_table.rename(
        columns = {0 : 'Missing Values', 1 : '% of Total Values'})
        mis_val_table_ren_columns = mis_val_table_ren_columns[
            mis_val_table_ren_columns.iloc[:,1] != 0].sort_values(
        '% of Total Values', ascending=False).round(1)
        print ("Your selected dataframe has " + str(df.shape[1]) + " columns.\n"      
            "There are " + str(mis_val_table_ren_columns.shape[0]) +
              " columns that have missing values.")
        return mis_val_table_ren_columns

Оскільки в пандах 0.14.1 тут запропоновано запропонувати аргумент ключового слова в методі value_counts:

import pandas as pd
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})
for col in df:
    print df[col].value_counts(dropna=False)

2     1
 1     1
NaN    1
dtype: int64
NaN    2
 1     1
dtype: int64

якщо його просто підрахунок значень nan у стовпчику панди тут швидкий шлях

import pandas as pd
## df1 as an example data frame 
## col1 name of column for which you want to calculate the nan values
sum(pd.isnull(df1['col1']))

якщо ви використовуєте ноутбук Юпітер, як щодо ....

 %%timeit
 df.isnull().any().any()

або

 %timeit 
 df.isnull().values.sum()

або, чи є десь NaN в даних, якщо так, то де?

 df.isnull().any()

Нижче буде надруковано всі колонки Nan у порядку зменшення.

df.isnull().sum().sort_values(ascending = False)

або

Нижче буде надруковано перші 15 колонок Nan у порядку зменшення.

df.isnull().sum().sort_values(ascending = False).head(15)

import numpy as np
import pandas as pd

raw_data = {'first_name': ['Jason', np.nan, 'Tina', 'Jake', 'Amy'], 
        'last_name': ['Miller', np.nan, np.nan, 'Milner', 'Cooze'], 
        'age': [22, np.nan, 23, 24, 25], 
        'sex': ['m', np.nan, 'f', 'm', 'f'], 
        'Test1_Score': [4, np.nan, 0, 0, 0],
        'Test2_Score': [25, np.nan, np.nan, 0, 0]}
results = pd.DataFrame(raw_data, columns = ['first_name', 'last_name', 'age', 'sex', 'Test1_Score', 'Test2_Score'])

results 
'''
  first_name last_name   age  sex  Test1_Score  Test2_Score
0      Jason    Miller  22.0    m          4.0         25.0
1        NaN       NaN   NaN  NaN          NaN          NaN
2       Tina       NaN  23.0    f          0.0          NaN
3       Jake    Milner  24.0    m          0.0          0.0
4        Amy     Cooze  25.0    f          0.0          0.0
'''

Ви можете використовувати наступну функцію, яка дасть вам вихід у Dataframe

• Нульові значення
• Відсутні значення
• % від загальної величини
• Загальні нульові значення
• % Загальні нульові значення
• Тип даних

Просто скопіюйте та вставте наступну функцію та зателефонуйте їй, передавши панд Dataframe

def missing_zero_values_table(df):
        zero_val = (df == 0.00).astype(int).sum(axis=0)
        mis_val = df.isnull().sum()
        mis_val_percent = 100 * df.isnull().sum() / len(df)
        mz_table = pd.concat([zero_val, mis_val, mis_val_percent], axis=1)
        mz_table = mz_table.rename(
        columns = {0 : 'Zero Values', 1 : 'Missing Values', 2 : '% of Total Values'})
        mz_table['Total Zero Missing Values'] = mz_table['Zero Values'] + mz_table['Missing Values']
        mz_table['% Total Zero Missing Values'] = 100 * mz_table['Total Zero Missing Values'] / len(df)
        mz_table['Data Type'] = df.dtypes
        mz_table = mz_table[
            mz_table.iloc[:,1] != 0].sort_values(
        '% of Total Values', ascending=False).round(1)
        print ("Your selected dataframe has " + str(df.shape[1]) + " columns and " + str(df.shape[0]) + " Rows.\n"      
            "There are " + str(mz_table.shape[0]) +
              " columns that have missing values.")
#         mz_table.to_excel('D:/sampledata/missing_and_zero_values.xlsx', freeze_panes=(1,0), index = False)
        return mz_table

missing_zero_values_table(results)

Вихідні дані

Your selected dataframe has 6 columns and 5 Rows.
There are 6 columns that have missing values.

             Zero Values  Missing Values  % of Total Values  Total Zero Missing Values  % Total Zero Missing Values Data Type
last_name              0               2               40.0                          2                         40.0    object
Test2_Score            2               2               40.0                          4                         80.0   float64
first_name             0               1               20.0                          1                         20.0    object
age                    0               1               20.0                          1                         20.0   float64
sex                    0               1               20.0                          1                         20.0    object
Test1_Score            3               1               20.0                          4                         80.0   float64

Якщо ви хочете зробити це просто, ви можете скористатися наступною функцією для отримання відсутніх значень у%

def missing(dff):
    print (round((dff.isnull().sum() * 100/ len(dff)),2).sort_values(ascending=False))


missing(results)
'''
Test2_Score    40.0
last_name      40.0
Test1_Score    20.0
sex            20.0
age            20.0
first_name     20.0
dtype: float64
'''

Для підрахунку нулів:

df[df == 0].count(axis=0)

Для підрахунку NaN:

df.isnull().sum()

або

df.isna().sum()

Ви можете використовувати метод value_counts та друкувати значення np.nan

s.value_counts(dropna = False)[np.nan]

Будь ласка, використовуйте нижче для конкретної кількості стовпців

dataframe.columnName.isnull().sum()

df1.isnull().sum()

Це зробить трюк.

Ось код для підрахунку Nullстовпців значення:

df.isna().sum()

Є приємна стаття Dzone від липня 2017 року, в якій детально описані різні способи узагальнення значень NaN. Перевірте це тут .

Стаття, яку я цитував, надає додаткову цінність: (1) Показати спосіб підрахунку та відображення рахунків NaN для кожного стовпця, щоб можна було легко вирішити, чи потрібно відкидати ці стовпці, і (2) Демонструючи спосіб вибору цих рядків у конкретні, які мають NaN, так що вони можуть бути вибірково відкинуті або приписані.

Ось короткий приклад, який продемонструє корисність підходу - маючи лише кілька стовпців, можливо, його корисність не очевидна, але я виявив, що це може допомогти для більших кадрів даних.

import pandas as pd
import numpy as np

# example DataFrame
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

# Check whether there are null values in columns
null_columns = df.columns[df.isnull().any()]
print(df[null_columns].isnull().sum())

# One can follow along further per the cited article

Ще один простий варіант, який ще не запропонований, щоб просто порахувати NaN, буде додавати форму, щоб повернути кількість рядків з NaN.

df[df['col_name'].isnull()]['col_name'].shape

df.isnull (). sum () дасть суму, що не вистачає у стовпці.

Якщо ви хочете знати суму пропущених значень у певному стовпці, наступний код буде працювати df.column.isnull (). Sum ()

виходячи з відповіді, яку я отримав, та деяких удосконалень - це мій підхід

def PercentageMissin(Dataset):
    """this function will return the percentage of missing values in a dataset """
    if isinstance(Dataset,pd.DataFrame):
        adict={} #a dictionary conatin keys columns names and values percentage of missin value in the columns
        for col in Dataset.columns:
            adict[col]=(np.count_nonzero(Dataset[col].isnull())*100)/len(Dataset[col])
        return pd.DataFrame(adict,index=['% of missing'],columns=adict.keys())
    else:
        raise TypeError("can only be used with panda dataframe")

У випадку, якщо вам потрібно отримати не-NA (не-немає) та NA (немає) рахунки в різних групах, виведених групою шляхом:

gdf = df.groupby(['ColumnToGroupBy'])

def countna(x):
    return (x.isna()).sum()

gdf.agg(['count', countna, 'size'])

Це повертає кількість підрядів, що не належать до NA, та загальну кількість записів на групу.

Використовував рішення, запропоноване @sushmit у моєму коді.

Можлива варіація того ж може бути

colNullCnt = []
for z in range(len(df1.cols)):
    colNullCnt.append([df1.cols[z], sum(pd.isnull(trainPd[df1.cols[z]]))])

Перевагою цього є те, що він повертає результат для кожного стовпця в df відтепер.

import pandas as pd
import numpy as np

# example DataFrame
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

# count the NaNs in a column
num_nan_a = df.loc[ (pd.isna(df['a'])) , 'a' ].shape[0]
num_nan_b = df.loc[ (pd.isna(df['b'])) , 'b' ].shape[0]

# summarize the num_nan_b
print(df)
print(' ')
print(f"There are {num_nan_a} NaNs in column a")
print(f"There are {num_nan_b} NaNs in column b")

Подає як вихід:

     a    b
0  1.0  NaN
1  2.0  1.0
2  NaN  NaN

There are 1 NaNs in column a
There are 2 NaNs in column b

Припустимо, ви хочете отримати кількість відсутніх значень (NaN) у стовпці (серії), відомій як ціна у фреймі даних, який називається оглядом

#import the dataframe
import pandas as pd

reviews = pd.read_csv("../input/wine-reviews/winemag-data-130k-v2.csv", index_col=0)

Для отримання відсутніх значень, з n_missing_prices як змінної, просто зробити

n_missing_prices = sum(reviews.price.isnull())
print(n_missing_prices)

sum - ключовий метод тут, намагався використати count до того, як я зрозумів, що сума є правильним методом використання в цьому контексті

https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.count.html#pandas.Series.count

pandas.Series.count
Series.count(level=None)[source]

Повернути кількість не-NA / нульових спостережень у Серії

Для свого завдання ви можете використовувати pandas.DataFrame.dropna ( https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html ):

import pandas as pd
import numpy as np

df = pd.DataFrame({'a': [1, 2, 3, 4, np.nan],
                   'b': [1, 2, np.nan, 4, np.nan],
                   'c': [np.nan, 2, np.nan, 4, np.nan]})
df = df.dropna(axis='columns', thresh=3)

print(df)

Параметр thresh можна оголосити максимальне число значень NaN для всіх стовпців у DataFrame.

Виходи з коду:

     a    b
0  1.0  1.0
1  2.0  2.0
2  3.0  NaN
3  4.0  4.0
4  NaN  NaN