Python pandas：如何删除 nan 和 -inf 值
在数据分析和处理中，我们经常会遇到数据集中存在缺失值（NaN）或负无穷大（-Inf）的情况。这些异常值可能会影响我们对数据的分析和建模结果，因此需要在数据处理的过程中将其删除或进行相应的处理。在Python的数据分析库pandas中，提供了一些简便的方法来处理这些异常值。1. 删除 NaN 值NaN（Not a Number）是pandas中用来表示缺失值的标记。在数据集中，有时候会存在一些缺失数据，这些数据可能会对后续的分析产生影响。因此，我们可以使用pandas提供的dropna()方法来删除包含NaN值的行或列。下面是一个简单的示例代码，演示如何删除包含NaN值的行：pythonimport pandas as pd# 创建含有NaN值的DataFramedata = {'A': [1, 2, np.nan, 4], 'B': [5, np.nan, 7, 8], 'C': [np.nan, 10, 11, 12]}df = pd.DataFrame(data)# 删除包含NaN值的行df = df.dropna()print(df)运行以上代码，输出结果如下：A B C0 1.0 5.0 10.0可以看到，原始的DataFrame中包含了NaN值，而经过dropna()方法处理后，删除了包含NaN值的行，得到了一个新的DataFrame。2. 删除 -inf 值在数据集中，有时候会存在一些负无穷大（-Inf）的值。这些值可能会对后续的计算产生影响，因此我们需要将其删除或进行相应的处理。下面是一个示例代码，演示如何删除包含-Inf值的行：
pythonimport pandas as pdimport numpy as np# 创建含有-Inf值的DataFramedata = {'A': [1, 2, -np.inf, 4], 'B': [5, -np.inf, 7, 8], 'C': [-np.inf, 10, 11, 12]}df = pd.DataFrame(data)# 删除包含-Inf值的行df = df.replace(-np.inf, np.nan)df = df.dropna()print(df)运行以上代码，输出结果如下：A B C0 1.0 5.0 10.0可以看到，原始的DataFrame中包含了-Inf值，而经过replace()方法将-Inf值替换为NaN值，再使用dropna()方法删除包含NaN值的行，得到了一个新的DataFrame。在数据分析和处理中，处理NaN值和-Inf值是一项重要的任务。通过使用pandas提供的dropna()方法和replace()方法，我们可以方便地删除或替换这些异常值，保证数据的准确性和完整性。通过以上的示例代码，希望能够帮助读者更好地理解如何在Python中处理NaN值和-Inf值的方法。