pythonimport pandas as pdimport numpy as np# 创建一个包含NaN值的DataFramedf = pd.DataFrame({'A': [1, 2, np.nan, 4, 5], 'B': [np.nan, 2, 3, np.nan, 6]})# 获取非NaN值的索引index = df['A'].notna()print(index)运行上述代码,我们会得到以下输出:0 True1 True2 False3 True4 TrueName: A, dtype: bool从输出结果可以看出,索引为2的位置的值为False,表示该位置的值为NaN,其余位置的值都为True,表示对应位置的值为非NaN。使用非NaN值的索引进行操作得到非NaN值的索引后,我们可以使用这些索引来进行一系列操作,如过滤数据、填充缺失值等。下面是一个例子,假设我们有一个包含NaN值的DataFrame,我们希望将所有NaN值填充为0。
pythonimport pandas as pdimport numpy as np# 创建一个包含NaN值的DataFramedf = pd.DataFrame({'A': [1, 2, np.nan, 4, 5], 'B': [np.nan, 2, 3, np.nan, 6]})# 将所有NaN值填充为0df = df.fillna(0)print(df)运行上述代码,我们会得到以下输出:A B0 1.0 0.01 2.0 2.02 0.0 3.03 4.0 0.04 5.0 6.0从输出结果可以看出,所有的NaN值都被填充为了0。在使用