Answers:
import numpy as np
df1 = df.replace(np.nan, '', regex=True)
这可能会有所帮助。它将用空字符串替换所有NaN。
import numpy as np
。
pd.np.nan
如果您不想这样做import numpy
。
pd.DataFrame.from_dict(eval(_string_))
... inplace=True
选项也很有用。
如果要从文件(例如CSV或Excel)读取数据帧,请使用:
df.read_csv(path , na_filter=False)
df.read_excel(path , na_filter=False)
这将自动将空字段视为空字符串 ''
如果您已经有了数据框
df = df.replace(np.nan, '', regex=True)
df = df.fillna('')
xl.parse('sheet_name', na_filter=False)
如果只想格式化它,以使其在打印时呈现良好,请使用格式化程序。只需使用df.to_string(... formatters
即可定义自定义字符串格式,而无需修改您的DataFrame或浪费内存:
df = pd.DataFrame({
'A': ['a', 'b', 'c'],
'B': [np.nan, 1, np.nan],
'C': ['read', 'unread', 'read']})
print df.to_string(
formatters={'B': lambda x: '' if pd.isnull(x) else '{:.0f}'.format(x)})
要得到:
A B C
0 a read
1 b 1 unread
2 c read
print df.fillna('')
本身(不执行df = df.fillna('')
)也不会修改原始内容。使用有速度或其他优势to_string
吗?
df.fillna('')
是!
试试这个,
加 inplace=True
import numpy as np
df.replace(np.NaN, ' ', inplace=True)
如果您要将DataFrame转换为JSON,NaN
将给出错误,因此在此用例中的最佳解决方案是将替换NaN
为None
。
方法如下:
df1 = df.where((pd.notnull(df)), None)
我用nan尝试了一列字符串值。
要删除nan并填充空字符串,请执行以下操作:
df.columnname.replace(np.nan,'',regex = True)
要删除nan并填充一些值:
df.columnname.replace(np.nan,'value',regex = True)
我也尝试了df.iloc。但它需要列的索引。所以您需要再次查看表格。简单地,上述方法减少了一个步骤。
np.nan
来自哪里?我不能使用它