用 Pandas 识别连续的 NaN

Question

我正在阅读一堆 CSV 文件（水位随时间变化的测量数据），以对它们进行各种分析和可视化。

由于各种我无法控制的原因，这些时间序列经常有缺失数据，所以我做了两件事：

我把它们加起来

Rlength = len(RainD)   # Counts everything, including NaN
Rcount = RainD.count() # Counts only valid numbers
NaN_Number = Rlength - Rcount

如果我的缺失数据多于某个阈值，则丢弃数据集：

Percent_Data = Rlength/100
Five_Percent = Percent_Data*5
if NaN_Number > Five_Percent:
    ...

如果 NaN 的数量足够小，我想填补空白

RainD.level = RainD.level.fillna(method='pad', limit=2)

现在问题是：这是月度数据，所以如果我有超过两个连续的 NaN，我也想丢弃这些数据，因为这意味着我“猜测”了整个赛季，甚至更多。

documentation for fillna 并没有真正提到当连续的 NaN 多于我指定的 limit=2 时会发生什么，但是当我查看 RainD.describe() 之前和之后的 ...fillna... 并将其与基本 CSV 进行比较时，它是清楚它会填充前两个 NaN，然后​​将其余部分保持原样，而不是出错。

所以，长话短说：

如何使用 Pandas 识别多个连续的 NaN，而不需要一些复杂且耗时的非 Pandas 循环？

Answer 1

您可以使用多个布尔条件来测试当前值和先前值是否为NaN：

In [3]:

df = pd.DataFrame({'a':[1,3,np.NaN, np.NaN, 4, np.NaN, 6,7,8]})
df
Out[3]:
    a
0   1
1   3
2 NaN
3 NaN
4   4
5 NaN
6   6
7   7
8   8
In [6]:

df[(df.a.isnull()) & (df.a.shift().isnull())]
Out[6]:
    a
3 NaN

如果您想查找连续的NaNs 出现的位置，您要查找的位置超过 2 个，您可以执行以下操作：

In [38]:

df = pd.DataFrame({'a':[1,2,np.NaN, np.NaN, np.NaN, 6,7,8,9,10,np.NaN,np.NaN,13,14]})
df
Out[38]:
     a
0    1
1    2
2  NaN
3  NaN
4  NaN
5    6
6    7
7    8
8    9
9   10
10 NaN
11 NaN
12  13
13  14

In [41]:

df.a.isnull().astype(int).groupby(df.a.notnull().astype(int).cumsum()).sum()
Out[41]:
a
1    0
2    3
3    0
4    0
5    0
6    0
7    2
8    0
9    0
Name: a, dtype: int32

Answer 2

如果您希望将其映射回原始索引，或者连续计算 NaN，请使用 Ed 的答案cumsum 而不是sum。这对于在时间序列中可视化 NaN 组特别有用：

df = pd.DataFrame({'a':[
    1,2,np.NaN, np.NaN, np.NaN, 6,7,8,9,10,np.NaN,np.NaN,13,14
]})

df.a.isnull().astype(int).groupby(df.a.notnull().astype(int).cumsum()).cumsum()


0     0
1     0
2     1
3     2
4     3
5     0
6     0
7     0
8     0
9     0
10    1
11    2
12    0
13    0
Name: a, dtype: int64

例如，

pd.concat([
        df,
        (
            df.a.isnull().astype(int)
            .groupby(df.a.notnull().astype(int).cumsum())
            .cumsum().to_frame('consec_count')
        )
    ],
    axis=1
)

    a       consec_count
0   1.0     0
1   2.0     0
2   NaN     1
3   NaN     2
4   NaN     3
5   6.0     0
6   7.0     0
7   8.0     0
8   9.0     0
9   10.0    0
10  NaN     1
11  NaN     2
12  13.0    0
13  14.0    0

Answer 3

如果你只想找到连续 NaN 的长度...

# usual imports
import pandas as pd
import numpy as np

# fake data
data = pd.Series([np.nan,1,1,1,1,1,np.nan,np.nan,np.nan,1,1,np.nan,np.nan])

# code 
na_groups = data.notna().cumsum()[data.isna()]
lengths_consecutive_na = na_groups.groupby(na_groups).agg(len)
longest_na_gap = lengths_consecutive_na.max()