计算pandas DataFrame中缺失值行数的最佳方法

Question

我目前想出了一些解决方法来计算 pandas DataFrame 中缺失值的数量。这些都很丑，我想知道是否有更好的方法。

让我们创建一个示例DataFrame：

from numpy.random import randn
df = pd.DataFrame(randn(5, 3), index=['a', 'c', 'e', 'f', 'h'],
               columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])

我目前拥有的是

a) 计数缺失值的单元格：

>>> sum(df.isnull().values.ravel())
9

b) 计算某处缺失值的行数：

>>> sum([True for idx,row in df.iterrows() if any(row.isnull())])
3

Answer 1

对于第二个计数，我认为只需从dropna 返回的行数中减去行数：

In [14]:

from numpy.random import randn
df = pd.DataFrame(randn(5, 3), index=['a', 'c', 'e', 'f', 'h'],
               columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
df
Out[14]:
        one       two     three
a -0.209453 -0.881878  3.146375
b       NaN       NaN       NaN
c  0.049383 -0.698410 -0.482013
d       NaN       NaN       NaN
e -0.140198 -1.285411  0.547451
f -0.219877  0.022055 -2.116037
g       NaN       NaN       NaN
h -0.224695 -0.025628 -0.703680
In [18]:

df.shape[0] - df.dropna().shape[0]
Out[18]:
3

第一个可以使用内置方法实现：

In [30]:

df.isnull().values.ravel().sum()
Out[30]:
9

时间安排

In [34]:

%timeit sum([True for idx,row in df.iterrows() if any(row.isnull())])
%timeit df.shape[0] - df.dropna().shape[0]
%timeit sum(map(any, df.apply(pd.isnull)))
1000 loops, best of 3: 1.55 ms per loop
1000 loops, best of 3: 1.11 ms per loop
1000 loops, best of 3: 1.82 ms per loop
In [33]:

%timeit sum(df.isnull().values.ravel())
%timeit df.isnull().values.ravel().sum()
%timeit df.isnull().sum().sum()
1000 loops, best of 3: 215 µs per loop
1000 loops, best of 3: 210 µs per loop
1000 loops, best of 3: 605 µs per loop

所以对于这种大小的 df，我的替代方案要快一些

更新

因此，对于具有 80,000 行的 df，我得到以下信息：

In [39]:

%timeit sum([True for idx,row in df.iterrows() if any(row.isnull())])
%timeit df.shape[0] - df.dropna().shape[0]
%timeit sum(map(any, df.apply(pd.isnull)))
%timeit np.count_nonzero(df.isnull())
1 loops, best of 3: 9.33 s per loop
100 loops, best of 3: 6.61 ms per loop
100 loops, best of 3: 3.84 ms per loop
1000 loops, best of 3: 395 µs per loop
In [40]:

%timeit sum(df.isnull().values.ravel())
%timeit df.isnull().values.ravel().sum()
%timeit df.isnull().sum().sum()
%timeit np.count_nonzero(df.isnull().values.ravel())
1000 loops, best of 3: 675 µs per loop
1000 loops, best of 3: 679 µs per loop
100 loops, best of 3: 6.56 ms per loop
1000 loops, best of 3: 368 µs per loop

实际上np.count_nonzero 赢得了这场胜利。

Answer 2

总失踪：

df.isnull().sum().sum()

缺失的行：

sum(map(any, df.isnull()))

Answer 3

numpy.count_nonzero呢：

 np.count_nonzero(df.isnull().values)   
 np.count_nonzero(df.isnull())           # also works  

count_nonzero 非常快。但是，我从 (1000,1000) 数组构建了一个数据框，并在不同位置随机插入了 100 个 nan 值，并测量了 iPython 中各种答案的时间：

%timeit np.count_nonzero(df.isnull().values)
1000 loops, best of 3: 1.89 ms per loop

%timeit df.isnull().values.ravel().sum()
100 loops, best of 3: 3.15 ms per loop

%timeit df.isnull().sum().sum()
100 loops, best of 3: 15.7 ms per loop

与原来的 OP 相比，时间改进不是很大，但在代码中可能不会那么混乱，由您决定。执行时间实际上没有任何差异 在两个count_nonzero 方法之间（有和没有.values）。

Answer 4

一种计算行或列中缺失值的简单方法

df.apply(lambda x: sum(x.isnull().values), axis = 0) # For columns
df.apply(lambda x: sum(x.isnull().values), axis = 1) # For rows

至少有一个缺失值的行数：

sum(df.apply(lambda x: sum(x.isnull().values), axis = 1)>0)

Answer 5

sum(df.count(axis=1) < len(df.columns))，非空值少于列的行数。

例如，以下数据框有两行缺失值。

>>> df = pd.DataFrame({"a":[1, None, 3], "b":[4, 5, None]})
>>> df
    a   b
0   1   4
1 NaN   5
2   3 NaN
>>> df.count(axis=1)
0    2
1    1
2    1
dtype: int64
>>> df.count(axis=1) < len(df.columns)
0    False
1     True
2     True
dtype: bool
>>> sum(df.count(axis=1) < len(df.columns))
2

Answer 6

这里有很多错误的答案。 OP 要求提供空值的行数，而不是列数。

这是一个更好的例子：

from numpy.random import randn
df = pd.DataFrame(randn(5, 3), index=['a', 'c', 'e', 'f', 'h'],columns=['one','two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h','asdf'])
print(df)

`现在显然有 4 行具有空值。

           one       two     three
a    -0.571617  0.952227  0.030825
b          NaN       NaN       NaN
c     0.627611 -0.462141  1.047515
d          NaN       NaN       NaN
e     0.043763  1.351700  1.480442
f     0.630803  0.931862  1.500602
g          NaN       NaN       NaN
h     0.729103 -1.198237 -0.207602
asdf       NaN       NaN       NaN

如果您在此处使用了一些答案，您将得到 3（包含 NaN 的列数）的答案。富恩特斯的回答有效。

我是这样得到的：

df.isnull().any(axis=1).sum()
#4
timeit df.isnull().any(axis=1).sum()
#10000 loops, best of 3: 193 µs per loop

'富恩特斯'：

sum(df.apply(lambda x: sum(x.isnull().values), axis = 1)>0)
#4
timeit sum(df.apply(lambda x: sum(x.isnull().values), axis = 1)>0)
#1000 loops, best of 3: 677 µs per loop

Answer 7

我想如果你只是想看看结果，有一个 pandas func pandas.DataFrame.count。

回到这个话题，使用df.count(axis=1)，你会得到这样的结果：

a    3
b    0
c    3
d    0
e    3
f    3
g    0
h    3
dtype: int64

它会告诉你每行有多少个非 NaN 参数。同时， -(df.count(axis=1) - df.shape[1]) 表示

a    0
b    3
c    0
d    3
e    0
f    0
g    3
h    0
dtype: int64

Answer 8

关于计算接受的答案提供的某处缺失值的行数

df.shape[0] - df.dropna().shape[0]

但我宁愿做更直观的（我也认为计算速度更快，至少这是我读过的）

len(df) - len(df.dropna())

Answer 9

# TOTAL number of missing values:
>>> df.isna().sum().sum()
9

# number of ROWS with at least one missing value:
>>> (df.isna().sum(axis=1) > 0).sum()
3

# number of COLUMNS with at least one missing value:
>>> (df.isna().sum(axis=0) > 0).sum()
3

在此示例中，缺失值的行数和列数是相同的，但不要让您感到困惑。重点是在第一个sum() 方法中使用axis=1 或axis=0。如果您想查看哪些行包含任何缺失的记录：

>>> df[(df.isna().sum(axis=1) > 0)]

one two three
b   NaN NaN NaN
d   NaN NaN NaN
g   NaN NaN NaN