Pandas 笔记(5): 数据类型与缺省值

Python 数据处理库使用方法

作者：LYGreen
分类：数据分析
创建时间： 3/8/2026, 8:55:27 AM
更新时间： 3/8/2026, 8:55:27 AM

数据类型

常见数据类型

类型含义示例
int64整数1, 2, 3
float64浮点数3.14
object字符串或混合类型”Alice”
bool布尔值True / False
datetime64[ns]时间2026-01-01
category分类变量Yes / No

数据举例

import numpy as np

df = pd.DataFrame

输出：

    name  age  score  passed
0  Alice   20   90.5    True
1    Bob   21   88.0   False

查看所有列类型

使用.dtypes查看所有列类型，例如：

df.dtypes

输出：

name          str
age         int64
score     float64
passed       bool
dtype: object

查看某一列类型

使用.column.dtypes或['column'].dtypes查看某一列类型

df.name.dtypes
# 或
df["name"].dtypes

输出：

str

查看详细信息

使用.info()查看详细信息，例如：

df.info()

输出：

<class 'pandas.DataFrame'>
RangeIndex: 2 entries, 0 to 1
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   name    2 non-null      str
 1   age     2 non-null      int64
 2   score   2 non-null      float64
 3   passed  2 non-null      bool
dtypes: bool(1), float64(1), int64(1), str(1)
memory usage: 182.0 bytes
None

类型转换

使用.astype()进行类型转换，例如：

df.score.astype("int")
# 或
df["score"].astype("int")

输出：

0    90 
1    88
Name: score, dtype: int64

缺省值

表示方式

表示含义
NaN数值缺失
NonePython 空值
NaT时间类型缺失

示例数据

import numpy as np

df = pd.DataFrame({
    "name": ["Alice", "Bob", None],
    "score": [90, np.nan, 85]
})

print(df)

输出：

    name  score
0  Alice   90.0
1    Bob    NaN
2    NaN   85.0

判断某一项是否缺失

使用.isna()或.isnull()判断某一项数据是否有缺失，例如：

df.isna()
# 或
df.isnull()

输出：

    name  score
0  False  False
1  False   True
2   True  False

.isna()和.isnull()实际上是返回一张和原数据大小一样的表(也就是一个 DataFrame)，然后把有数据的项设置为 True，无数据的项设置为 False

判断缺项总行数

df.isna().sum()

输出：

name     1
score    1
dtype: int64

缺失项与索引

  • 举个例子：df[df.isnull()] df.isnull()返回一张只有 True / False 表，把这个表放到 df 的索引当中，此时遇到 True 项就保留原值，遇到 False 项就改为 NaN，此处由于 True 的项本来原本数据的值就是 NaN，因此这里的结果是一张全是 NaN 的表

可以对照 df[df.notnull()]

df[df.isnull()]

输出：

  name  score
0  NaN    NaN
1  NaN    NaN
2  NaN    NaN
  • 另一个例子：df[pd.isnull(df['name'])] pd.isnull(df['name'])返回一个只有 True / False 的单列(也就是 Series)，把这个单列放到df的索引当中，遇到 True 的时候则保留该行，遇到 False 的时候则去掉该行
df[pd.isnull(df['name'])]

输出：

  name  score
2  NaN   85.0

处理缺省值

  • 丢掉缺失的行 使用.dropna()删除包含缺省值的行，例如：
df.dropna()

输出：

    name  score
0  Alice   90.0
  • 填充丢失的行 使用.fillna()进行填充丢失的行，例如：
df.fillna()

输出：

    name  score
0  Alice   90.0
1    Bob    0.0
2      0   85.0
  • 代替值 使用```.replace()“来代替值，例如：
df.replace(np.nan, 'Unknown')

输出：

      name    score
0    Alice     90.0
1      Bob  Unknown
2  Unknown     85.0

资源