Python Pandas定位缺失值具体位置与数量的方法

追风的人

发布时间：2026-10-13 | 6人浏览过

原创

在使用Pandas处理数据时，isnull()生成的布尔矩阵难以直观识别缺失位置。本文介绍通过df.isnull().any()筛选含缺失值的列，并结合df[df.isnull().values==True]直接过滤出包含NaN的行，从而精准定位缺失数据的具体行列位置并辅助统计数量，提升数据清洗效率。

问题描述：

在Python Pandas中，判断数据缺失通常使用isnull()函数。然而，该函数返回的是覆盖整个数据集的True/False布尔矩阵。面对庞大的DataFrame数据，这种全量输出很难让人一眼看出具体哪些位置缺失、缺失数据的总量以及确切的行列坐标。

首先，针对包含缺失值的数据集，示例如下所示：

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(10,6))
# Make a few areas have NaN values
df.iloc[1:3,1] = np.nan
df.iloc[5,3] = np.nan
df.iloc[7:9,5] = np.nan

 0   1   2   3   4   5
0 0.520113 0.884000 1.260966 -0.236597 0.312972 -0.196281
1 -0.837552  NaN 0.143017 0.862355 0.346550 0.842952
2 -0.452595  NaN -0.420790 0.456215 1.203459 0.527425
3 0.317503 -0.917042 1.780938 -1.584102 0.432745 0.389797
4 -0.722852 1.704820 -0.113821 -1.466458 0.083002 0.011722
5 -0.622851 -0.251935 -1.498837  NaN 1.098323 0.273814
6 0.329585 0.075312 -0.690209 -3.807924 0.489317 -0.841368
7 -1.123433 -1.187496 1.868894 -2.046456 -0.949718  NaN
8 1.133880 -0.110447 0.050385 -1.158387 0.188222  NaN
9 -0.513741 1.196259 0.704537 0.982395 -0.585040 -1.693810

执行df.isnull()后，将产生如下布尔矩阵结果：

  0  1  2  3  4  5
0 False False False False False False
1 False True False False False False
2 False True False False False False
3 False False False False False False
4 False False False False False False
5 False False False True False False
6 False False False False False False
7 False False False False False True
8 False False False False False True
9 False False False False False False

若使用df.isnull().any()，则可以判断出哪些“列”中存在缺失值：

0 False
1  True
2 False
3  True
4 False
5  True
dtype: bool

针对上述问题，可以采用如下方式解决：

df[df.isnull().values==True]

Out[126]: 
   0   1   2   3   4   5
1 1.090872  NaN -0.287612 -0.239234 -0.589897 1.849413
2 -1.384721  NaN -0.158293 0.011798 -0.564906 -0.607121
5 -0.477590 -2.696239 0.312837  NaN 0.404196 -0.797050
7 0.369665 -0.268898 -0.344523 -0.094436 0.214753  NaN
8 -0.114483 -0.842322 0.164269 -0.812866 -0.601757  NaN

通过特定逻辑仅显示存在缺失值的行列，即可清晰确定缺失值的具体位置。

以上这篇Python Pandas找到缺失值的位置方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持本站。