<\/p>\n
U kunt de functie dropna()<\/strong> gebruiken om rijen uit een Panda DataFrame te verwijderen die ontbrekende waarden bevatten.<\/span><\/p>\n Je kunt het thresh-<\/b> argument ook gebruiken om het minimumaantal niet-NaN-waarden op te geven dat een rij of kolom moet behouden blijven in het DataFrame.<\/span><\/p>\n Hier zijn de meest gebruikelijke manieren om het drempelargument<\/strong> in de praktijk te gebruiken:<\/span><\/p>\n Methode 1: Bewaar alleen rijen met een minimum aantal niet-NaN-waarden<\/strong><\/span><\/p>\n Methode 2: Bewaar alleen rijen met een minimumpercentage niet-NaN-waarden<\/strong><\/span><\/p>\n Methode 3: Bewaar alleen kolommen met een minimum aantal niet-NaN-waarden<\/strong><\/span><\/p>\n Methode 4: Behoud alleen kolommen met een minimumpercentage niet-NaN-waarden<\/strong><\/span><\/p>\n De volgende voorbeelden laten zien hoe u elke methode in de praktijk kunt gebruiken met de volgende panda’s DataFrame:<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om alleen rijen in het DataFrame te behouden die ten minste twee niet-NaN-waarden hebben:<\/span><\/p>\n Merk op dat de rij op indexpositie 1<\/strong> is verwijderd omdat deze slechts \u00e9\u00e9n niet-NaN-waarde in de hele rij had.<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om alleen die rijen in het DataFrame te behouden die ten minste 70% niet-NaN-waarden hebben:<\/span><\/p>\n Merk op dat de rijen op indexposities 1<\/strong> en 7<\/strong> zijn verwijderd omdat deze rijen niet minimaal 70% van de waarden als niet-NaN-waarden bevatten.<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om alleen die kolommen in het DataFrame te behouden die ten minste zes niet-NaN-waarden hebben:<\/span><\/p>\n Merk op dat de kolom \u2018assisten\u2019 is verwijderd omdat die kolom niet minstens 6 niet-NaN-waarden in de kolom bevatte.<\/span><\/p>\n We kunnen de volgende syntaxis gebruiken om alleen die kolommen in het DataFrame te behouden die ten minste 70% niet-NaN-waarden hebben:<\/span><\/p>\n Merk op dat de kolom „ondersteuning“ is verwijderd omdat deze kolom niet ten minste 70% niet-NaN-waarden bevatte.<\/span><\/p>\n Opmerking<\/strong> : u kunt de volledige documentatie van de pandas dropna()<\/strong> -functie hier<\/a> vinden.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in panda’s kunt uitvoeren:<\/span><\/p>\n Panda’s: hoe de index opnieuw in te stellen na het gebruik van dropna()<\/a> U kunt de functie dropna() gebruiken om rijen uit een Panda DataFrame te verwijderen die ontbrekende waarden bevatten. Je kunt het thresh- argument ook gebruiken om het minimumaantal niet-NaN-waarden op te geven dat een rij of kolom moet behouden blijven in het DataFrame. Hier zijn de meest gebruikelijke manieren om het drempelargument in de praktijk […]<\/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":[],"class_list":["post-4248","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Voorbeeld 1: Bewaar alleen rijen met een minimum aantal niet-NaN-waarden<\/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 Voorbeeld 2: Bewaar alleen rijen met een minimumpercentage niet-NaN-waarden<\/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 Voorbeeld 3: Bewaar alleen kolommen met een minimum aantal niet-NaN-waarden<\/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 Voorbeeld 4: Bewaar alleen kolommen met een minimumpercentage niet-NaN-waarden<\/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 Aanvullende bronnen<\/strong><\/span><\/h2>\n
Panda’s: dropna() gebruiken met specifieke kolommen<\/a>
Panda’s: rijen verwijderen op basis van meerdere voorwaarden<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"