主要是介绍了如何应用pandas预处理数据，处理数据的缺失值，异常值，对数据进行标准化，离散化，等等。

主要介绍了pandas如何处理缺失值，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

在实际应用中对于数据进行分析的时候，经常能看见缺失值，下面来介绍一下如何利用pandas来处理缺失值。常见的缺失值处理方式有，过滤、填充。 一、缺失值的判断 pandas使用浮点值NaN(Not a Number)表示浮点数和非浮点数组中的缺失值，同时python内置None值也会被当作是缺失值。 a、Series的缺失值判断 s = Series([a,b,np.nan,c,None]) print(s) ''' 0 a 1 b 2 NaN 3

有关丢失数据的更多信息 介绍 既然您已经了解了如何处理丢失的数据的各种方法，那么该是时候进一步讨论如何在特定情况下选择合适的方法了。 通常，许多人会立即求助于缺失值的特征的均值或中位数。 这可能是一种有效的方法，因此为什么它是标准的，但确实有一些警告。 例如，这样做可以减少数据集的整体差异，在执行后续分析或对数据集进行机器学习算法训练时应将其考虑在内。 目标 你将能够： 评估并执行最佳策略，以处理给定数据集的缺失，重复和错误值 确定估算值如何影响数据的分布 检查数据是否有重复或多余的值并将其删