<\/p>\n
Voc\u00ea pode usar a fun\u00e7\u00e3o fillna()<\/strong> para substituir valores NaN em um DataFrame do pandas.<\/span><\/p>\n Aqui est\u00e3o tr\u00eas maneiras comuns de usar esse recurso:<\/span><\/p>\n M\u00e9todo 1: Preencha os valores NaN em uma coluna com a m\u00e9dia<\/strong><\/span><\/p>\n M\u00e9todo 2: Preencha valores NaN em m\u00faltiplas colunas com m\u00e9dia<\/strong><\/span><\/p>\n M\u00e9todo 3: Preencha os valores NaN em todas as colunas com m\u00e9dia<\/strong><\/span><\/p>\n Os exemplos a seguir mostram como usar cada m\u00e9todo na pr\u00e1tica com o seguinte DataFrame do pandas:<\/span><\/p>\n O c\u00f3digo a seguir mostra como preencher os valores NaN na coluna de classifica\u00e7\u00e3o<\/strong> com o valor m\u00e9dio da coluna de classifica\u00e7\u00e3o<\/strong> :<\/span><\/p>\n O valor m\u00e9dio na coluna de classifica\u00e7\u00e3o<\/strong> era 85,125<\/strong> , portanto, cada um dos valores NaN na coluna de classifica\u00e7\u00e3o<\/strong> foi preenchido com esse valor.<\/span><\/p>\n O c\u00f3digo a seguir mostra como preencher os valores NaN nas colunas de classifica\u00e7\u00e3o<\/strong> e pontos<\/strong> com suas respectivas m\u00e9dias de coluna:<\/span><\/p>\n Os valores NaN nas colunas de notas<\/strong> e pontos<\/strong> foram preenchidos com suas respectivas m\u00e9dias das colunas.<\/span><\/p>\n O c\u00f3digo a seguir mostra como preencher os valores NaN em cada coluna com as m\u00e9dias das colunas:<\/span><\/p>\n Observe que os valores NaN em cada coluna foram preenchidos com a m\u00e9dia de sua coluna.<\/span><\/p>\n Voc\u00ea pode encontrar a documenta\u00e7\u00e3o online completa para a fun\u00e7\u00e3o fillna()<\/strong> aqui<\/a> .<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras opera\u00e7\u00f5es comuns em pandas:<\/span><\/p>\n Como contar valores faltantes em pandas<\/a> Voc\u00ea pode usar a fun\u00e7\u00e3o fillna() para substituir valores NaN em um DataFrame do pandas. Aqui est\u00e3o tr\u00eas maneiras comuns de usar esse recurso: M\u00e9todo 1: Preencha os valores NaN em uma coluna com a m\u00e9dia df[‘ col1 ‘] = df[‘ col1 ‘]. fillna (df[‘ col1 ‘]. mean ()) M\u00e9todo 2: Preencha valores NaN em […]<\/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-2664","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n df[' col1<\/span> '] = df[' col1<\/span> ']. fillna<\/span> (df[' col1<\/span> ']. mean<\/span> ())<\/strong><\/pre>\n df[[' col1<\/span> ', ' col2<\/span> ']] = df[[' col1<\/span> ', ' col2<\/span> ']]. fillna<\/span> (df[[' col1<\/span> ',' col2<\/span> ']]. mean<\/span> ())<\/strong><\/pre>\n df = df. fillna<\/span> ( df.mean<\/span> ())<\/strong><\/pre>\n import<\/span> numpy as<\/span> np\nimport<\/span> pandas as<\/span> pd\n\n#create DataFrame with some NaN values<\/span>\ndf = pd. DataFrame<\/span> ({' rating<\/span> ': [np.nan, 85, np.nan, 88, 94, 90, 76, 75, 87, 86],\n ' points<\/span> ': [25, np.nan, 14, 16, 27, 20, 12, 15, 14, 19],\n ' assists<\/span> ': [5, 7, 7, np.nan, 5, 7, 6, 9, 9, 5],\n ' rebounds<\/span> ': [11, 8, 10, 6, 6, 9, 6, 10, 10, 7]})\n\n#view DataFrame<\/span>\ndf\n\n rating points assists rebounds\n0 NaN 25.0 5.0 11\n1 85.0 NaN 7.0 8\n2 NaN 14.0 7.0 10\n3 88.0 16.0 NaN 6\n4 94.0 27.0 5.0 6\n5 90.0 20.0 7.0 9\n6 76.0 12.0 6.0 6\n7 75.0 15.0 9.0 10\n8 87.0 14.0 9.0 10\n9 86.0 19.0 5.0 7\n<\/strong><\/pre>\n Exemplo 1: Preencha valores NaN em uma coluna com a m\u00e9dia<\/strong><\/span><\/h3>\n
#fill NaNs with column mean in 'rating' column<\/span>\ndf[' rating<\/span> '] = df[' rating<\/span> ']. fillna<\/span> (df[' rating<\/span> ']. mean<\/span> ())\n\n<\/span>#view updated DataFrame<\/span>\ndf\n\n\trating points assists rebounds\n0 85.125 25.0 5.0 11\n1 85,000 NaN 7.0 8\n2 85.125 14.0 7.0 10\n3 88,000 16.0 NaN 6\n4 94,000 27.0 5.0 6\n5 90,000 20.0 7.0 9\n6 76,000 12.0 6.0 6\n7 75,000 15.0 9.0 10\n8 87,000 14.0 9.0 10\n9 86,000 19.0 5.0 7\n<\/strong><\/pre>\n Exemplo 2:<\/strong> Preencha valores NaN em m\u00faltiplas colunas com a m\u00e9dia<\/strong><\/span><\/h3>\n
#fill NaNs with column means in 'rating' and 'points' columns<\/span>\ndf[[' rating<\/span> ', ' points<\/span> ']] = df[[' rating<\/span> ', ' points<\/span> ']]. fillna<\/span> (df[[' rating<\/span> ',' points<\/span> ']]. mean<\/span> ())\n\n#view updated DataFrame\n<\/span>df\n\n\trating points assists rebounds\n0 85.125 25.0 5.0 11\n1 85,000 18.0 7.0 8\n2 85.125 14.0 7.0 10\n3 88,000 16.0 NaN 6\n4 94,000 27.0 5.0 6\n5 90,000 20.0 7.0 9\n6 76,000 12.0 6.0 6\n7 75,000 15.0 9.0 10\n8 87,000 14.0 9.0 10\n9 86,000 19.0 5.0 7\n<\/strong><\/pre>\n Exemplo 3: Preencha os valores NaN em todas as colunas com a m\u00e9dia<\/strong><\/h3>\n
#fill NaNs with column means in each column<\/span> \ndf = df. fillna<\/span> ( df.mean<\/span> ())\n\n#view updated DataFrame\n<\/span>df\n\n rating points assists rebounds\n0 85.125 25.0 5.000000 11\n1 85,000 18.0 7,000000 8\n2 85.125 14.0 7.000000 10\n3 88,000 16.0 6.666667 6\n4 94,000 27.0 5,000000 6\n5 90,000 20.0 7,000000 9\n6 76,000 12.0 6,000000 6\n7 75,000 15.0 9,000000 10\n8 87,000 14.0 9,000000 10\n9 86,000 19.0 5,000000 7\n<\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como deletar linhas com valores NaN no Pandas<\/a>
Como deletar linhas contendo um valor espec\u00edfico no Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"