データ解析処理のPythonの種類-04Nan

#NaNは、数ではない--means 
のPdとしてインポートパンダ
NPとしてインポートnumpyの
パンダからシリーズ、データフレームのインポート

＃N = np.nan 
＃プリント（型（n））＃<クラス'フロート'> 
＃プリント（1 + n）を#nan 


シリーズ#nan 
＃S1 =シリーズ（[1,2、np.nan、3,4]、インデックス= [ 'A'、 'B'、 'C'、 'D'、 'E']） 
＃プリント（S1）
＃1.0 
＃1 B 2.0 
＃CのNaN 
＃D 3.0 
＃1 E 4.0 
＃DTYPE：のfloat64 

＃プリント（s1.isnull（）） 
＃偽
＃Bの偽
＃C真
＃D偽
＃E偽
＃1 DTYPE。ブール

#print（s1.dropna（））＃去掉值为ナン的行
＃1.0 
＃B 2.0 
＃Dの3.0 
＃E 4.0
＃DTYPEは：のfloat64 


データフレームに#NaNを
#dframe DATAFRAME =（[1,2,3]、[np.nan、5,6]、[7、np.nan、9]、[np.nan、np.nan 、np.nan]]） 
#print（dframe）
＃0 1 2 
＃0 1.0 2.0 3.0 
＃1 5.0 6.0 
＃2 7.0 9.0における
ウィスラー＃3、

#print（dframe.isnull（））
＃0 1 2 
＃ 0偽偽偽
＃1真FALSE FALSE 
＃2 FALSE TRUE偽
＃3 TRUE TRUE真

＃DF1 = dframe.dropna（軸= 0） 
＃プリント（DF1）
＃0 1 2 
＃0 1.0 2.0 3.0 
＃DF2 = dframe.dropna （軸= 1） 
＃プリント（DF2） 
＃空のデータフレーム
＃カラム：[] 
＃ランキング：[0、1、2、3]

（軸= 0、どのように= '任意の'）＃DF3 = dframe.dropna＃ デフォルトいかなるへ
＃印刷（DF3）
＃2。1 0 
＃0 1.0 2.0 3.0 

＃DF4 = dframe.dropna（軸= 0、=どのように「すべて全てのNaNまで削除「）＃ 
＃プリント（DF4）
＃2 1 0 
＃0 1.0 2.0 3.0 
＃5.0 6.0のNaN 3。1つの
＃2のNaN 3 7.0 9.0 


＃dframe2 DATAFRAME =（[[1,2,3、np.nan ]、[2、np.nan、5,6]、[,. 7 np.nan、np.nan ,. 9]、[1、np.nan、np.nan、np.nan]]） 
＃プリント（dframe2）
2. 3. 1 0＃
＃0 1.0 2.0 3.0のNaN 3 
＃1のNaN 3 2.0 5.0 6.0 
＃2のNaN 3 7.0 9.0のNaN 3 
＃のNaN 3のNaN 3。3のNaN 3 1.0 

＃DF2 = dframe2.dropna（THRESH =なし）はNaNが削除される含む＃1 
＃プリント（ DF2） 
＃空のデータフレーム
＃カラム：[0 ,. 1,2 ,. 3] 
＃ランキング：[]

＃DF2 = dframe2.dropna（THRESH = 2 ）＃2 以上の値が削除されるのNaN 
＃プリント（DF2）
＃2. 3. 1 0 
＃0 1.0 2.0 3.0のNaN 3 
＃1のNaN 3 2.0 5.0 6.0 
＃2のNaN 3 7.0 9.0のNaN 3 

#print（dframe2.fillna（値= 1） ）＃ 1は全ての値のNaNが充填されている
＃0123 
＃0 1.0 2.0 3.0 1.0 
＃1 2.0 1.0 5.0 6.0 
＃2 1.0 7.0 1.0 9.0 
＃3 1.0 1.0 1.0 1.0 

＃プリント（dframe2.fillna（値= {0 ：0,1：1,2：2,3：3}））＃ 最初の列、1秒の列0、3列目と2、第4カラム3が充填されている
＃0123 
＃0 1.0 2.0 3.0 3.0 
＃1 2.0 1.0 5.0 6.0 
＃2 0.0 7.0 2.0 9.0 
＃3 1.0 1.0 2.0 3.0 



＃------------------ ---------------- 
＃マルチレベルのインデックス
＃S1 =シリーズ（np.random.randn（6）、インデックス= [ '1'、 '1'、 '1'、 '2'、 '2'、 '2']、[ 'A'、 'B 」、 'C'、 ''、 'B'、 'C']]） 
＃プリント（S1）
＃1 0.450512 
＃Bの-0.432511 
＃Cの-0.280125 
＃2 0.333269 
＃B 0.123369 
＃Cの-2.000533 
＃1 DTYPE ：のfloat64 

＃プリント（S1 [ '1']）
＃0.870953 
＃B 0.128729 
＃C 0.958637 
＃1 DTYPE：のfloat64 
＃プリント（型（S1 [ "1"]））＃<クラス'pandas.core.series.Series' > 
＃プリント（S1 [ '1'] [ 'A']）＃-1.6023742345246375 
＃プリント（S1の[：、 'A']）
＃1 0.891888 
＃2 -1.087930 
＃1 DTYPE。float64 

＃DF1 = s1.unstack（） 
＃プリント（DF1）
＃abcの
＃1 -0.300567 0.124230 -0.488987 
＃2 1.618275 -0.155234 -0.284849 

＃DF2 = DATAFRAME（[S1 [ '1']、S1 [ '2']） 
＃プリント（DF2）
＃1のABC 
＃0 -0.757713 0.801604 1.975145 
＃1 -0.112589 0.083369 -1.174583 

＃S2 = df1.unstack（） 
＃プリント（S2）
＃1 -0.037449 
＃2 -1.364984 
＃Bの1 -1.748248 
＃2 0.581338 
＃C 1 1.758856 
＃2 -0.244383 
＃1 DTYPE：のfloat64 

＃S2 = df1.T.unstack（） 
＃プリント（S2）
＃1 0.343976 
1.664177 B＃
＃Cの-0.039674 
＃2 0.357644 
＃0.357658 B 
＃Cの-0.308326 
＃1 DTYPE：のfloat64

＃DF = DATAFRAME（np.arange（16）.reshape（4,4）） 
＃プリント（DF）
＃0 1 2 3 
＃0 0 1 2 3 
＃1 4 5 6 7 
＃2 8 9 10 11 
＃3~12 13人の14 15 

＃1 DF =データフレーム（np.arange（16）.reshape（4,4）、インデックス= [ 'A'、 ''、 'B'、 'B']、[1,2,1、 2]） 
＃プリント（DF）
＃0 1 2 3 
＃1 0 1 2 3 
＃2 4 5 6 7 
＃1 B 1 8 9 10 11 
＃2 12 13 14 15 

DF = DATAFRAME（np.arange＃（16 ）.reshape（4,4）、インデックス= [ 'A'、 ''、 'B'、 'B']、[1,2,1,2]、列= [ 'BJ'、」 BJ」、 'SH'、 'GZ']、[8,9,8、8]） 
＃プリント（DF）
＃BJ SH GZの
＃8 9 8 8 
＃1 0 1 2 3 
＃2 4 5 6 7 
＃1 B 1 8 9 10 11
＃2 12 13 14 15 

＃プリント（[8] [ 'BJ'] DF）
＃0,1 
＃2~4 
＃Bを1~8 
＃2~12 
＃名：8、DTYPE：INT32