<\/p>\n
Sie k\u00f6nnen die Funktion dropna()<\/strong> verwenden, um Zeilen aus einem Pandas-DataFrame zu entfernen, die fehlende Werte enthalten.<\/span><\/p>\n Sie k\u00f6nnen das Argument thresh<\/b> auch verwenden, um die Mindestanzahl an Nicht-NaN-Werten anzugeben, die eine Zeile oder Spalte haben muss, um im DataFrame beibehalten zu werden.<\/span><\/p>\n Hier sind die gebr\u00e4uchlichsten M\u00f6glichkeiten, das Schwellenwertargument<\/strong> in der Praxis zu verwenden:<\/span><\/p>\n Methode 1: Behalten Sie nur Zeilen mit einer Mindestanzahl an Nicht-NaN-Werten bei<\/strong><\/span><\/p>\n Methode 2: Behalten Sie nur Zeilen mit einem Mindestprozentsatz an Nicht-NaN-Werten bei<\/strong><\/span><\/p>\n Methode 3: Behalten Sie nur Spalten mit einer Mindestanzahl an Nicht-NaN-Werten bei<\/strong><\/span><\/p>\n Methode 4: Behalten Sie nur Spalten mit einem Mindestprozentsatz an Nicht-NaN-Werten bei<\/strong><\/span><\/p>\n Die folgenden Beispiele zeigen, wie jede Methode in der Praxis mit dem folgenden Pandas DataFrame verwendet wird:<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um nur Zeilen im DataFrame zu behalten, die mindestens zwei Nicht-NaN-Werte haben:<\/span><\/p>\n Beachten Sie, dass die Zeile an Indexposition 1<\/strong> entfernt wurde, da sie in der gesamten Zeile nur einen Nicht-NaN-Wert hatte.<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um nur die Zeilen im DataFrame zu behalten, die mindestens 70 % Nicht-NaN-Werte haben:<\/span><\/p>\n Beachten Sie, dass die Zeilen an den Indexpositionen 1<\/strong> und 7<\/strong> entfernt wurden, da diese Zeilen nicht mindestens 70 % der Werte als Nicht-NaN-Werte enthielten.<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um nur die Spalten im DataFrame zu behalten, die mindestens 6 Nicht-NaN-Werte haben:<\/span><\/p>\n Beachten Sie, dass die Spalte \u201eAssists\u201c entfernt wurde, da diese Spalte nicht mindestens 6 Nicht-NaN-Werte in der Spalte enthielt.<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um nur die Spalten im DataFrame zu behalten, die mindestens 70 % Nicht-NaN-Werte haben:<\/span><\/p>\n Beachten Sie, dass die Spalte \u201eUnterst\u00fctzung\u201c entfernt wurde, da diese Spalte nicht mindestens 70 % Nicht-NaN-Werte enthielt.<\/span><\/p>\n Hinweis<\/strong> : Die vollst\u00e4ndige Dokumentation der Funktion pandas dropna()<\/strong> finden Sie hier<\/a> .<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie andere h\u00e4ufige Aufgaben in Pandas ausgef\u00fchrt werden:<\/span><\/p>\n Pandas: So setzen Sie den Index nach der Verwendung von dropna() zur\u00fcck<\/a> Sie k\u00f6nnen die Funktion dropna() verwenden, um Zeilen aus einem Pandas-DataFrame zu entfernen, die fehlende Werte enthalten. Sie k\u00f6nnen das Argument thresh auch verwenden, um die Mindestanzahl an Nicht-NaN-Werten anzugeben, die eine Zeile oder Spalte haben muss, um im DataFrame beibehalten zu werden. Hier sind die gebr\u00e4uchlichsten M\u00f6glichkeiten, das Schwellenwertargument in der Praxis zu verwenden: […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n #only keep rows with at least 2 non-NaN values\n<\/span>df. dropna<\/span> (thresh= 2<\/span> )\n<\/strong><\/pre>\n #only keep rows with at least 70% non-NaN values\n<\/span>df. dropna<\/span> (thresh= 0.7<\/span> * len<\/span> (df. columns<\/span> ))<\/strong><\/pre>\n #only keep columns with at least 6 non-NaN values\n<\/span>df. dropna<\/span> (thresh= 6<\/span> ,axis= 1<\/span> )<\/strong><\/pre>\n #only keep columns with at least 70% non-NaN values\n<\/span>df. dropna<\/span> (thresh= 0.7<\/span> * len<\/span> (df), axis= 1<\/span> )<\/strong><\/pre>\n import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' team<\/span> ': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],\n ' points<\/span> ': [18, np.nan, 19, 14, 14, 11, 20, np.nan],\n ' assists<\/span> ': [5, np.nan, np.nan, 9, np.nan, 9, 9, 4],\n ' rebounds<\/span> ': [11, np.nan, 10, 6, 6, 5, 9, np.nan]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n team points assists rebounds\n0 A 18.0 5.0 11.0\n1 B NaN NaN NaN\n2 C 19.0 NaN 10.0\n3D 14.0 9.0 6.0\n4 E 14.0 NaN 6.0\n5 F 11.0 9.0 5.0\n6G 20.0 9.0 9.0\n7H NaN 4.0 NaN<\/strong><\/pre>\n Beispiel 1: Behalten Sie nur Zeilen mit einer Mindestanzahl an Nicht-NaN-Werten bei<\/strong><\/span><\/h2>\n
#only keep rows with at least 2 non-NaN values\n<\/span>df. dropna<\/span> (thresh= 2<\/span> )\n\n\tteam points assists rebounds\n0 A 18.0 5.0 11.0\n2 C 19.0 NaN 10.0\n3D 14.0 9.0 6.0\n4 E 14.0 NaN 6.0\n5 F 11.0 9.0 5.0\n6G 20.0 9.0 9.0\n7H NaN 4.0 NaN\n<\/strong><\/pre>\n Beispiel 2: Behalten Sie nur Zeilen mit einem Mindestprozentsatz an Nicht-NaN-Werten bei<\/strong><\/span><\/h2>\n
#only keep rows with at least 70% non-NaN values\n<\/span>df. dropna<\/span> (thresh= 0.7<\/span> * len<\/span> (df. columns<\/span> ))\n\n team points assists rebounds\n0 A 18.0 5.0 11.0\n2 C 19.0 NaN 10.0\n3D 14.0 9.0 6.0\n4 E 14.0 NaN 6.0\n5 F 11.0 9.0 5.0\n6G 20.0 9.0 9.0\n<\/strong><\/pre>\n Beispiel 3: Behalten Sie nur Spalten mit einer Mindestanzahl an Nicht-NaN-Werten bei<\/strong><\/span><\/h2>\n
#only keep columns with at least 6 non-NaN values<\/span>\ndf. dropna<\/span> (thresh= 6<\/span> ,axis= 1<\/span> )\n\n team points rebounds\n0 A 18.0 11.0\n1 B NaN NaN\n2 C 19.0 10.0\n3D 14.0 6.0\n4E 14.0 6.0\n5 F 11.0 5.0\n6G 20.0 9.0\n7 H NaN NaN<\/strong><\/pre>\n Beispiel 4: Behalten Sie nur Spalten mit einem Mindestprozentsatz an Nicht-NaN-Werten bei<\/strong><\/span><\/h2>\n
#only keep columns with at least 70% non-NaN values\n<\/span>df. dropna<\/span> (thresh= 0.7<\/span> * len<\/span> (df), axis= 1<\/span> )\n\n team points rebounds\n0 A 18.0 11.0\n1 B NaN NaN\n2 C 19.0 10.0\n3D 14.0 6.0\n4E 14.0 6.0\n5 F 11.0 5.0\n6G 20.0 9.0\n7 H NaN NaN\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
Pandas: So verwenden Sie dropna() mit bestimmten Spalten<\/a>
Pandas: So l\u00f6schen Sie Zeilen basierend auf mehreren Bedingungen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"