python整理4 —— 关于nan

0. 写在前面的话

用"=="不能进行是否为缺失值(nan)的判定，所以请使用np.isnan（）或math.isnan（）来判定是否为缺少值(nan)。

np.isnan（）也可以用来判定ndarray中每个元素是否判为缺失值NaN。

---

1. nan替换

a.replace(-9999,np.nan,inplace=True)  # 将-9999替换成nan  ## pd.DataFrame
a[a == -9999] = np.nan  # -9999替换成nan

## 使用 np.genfromtxt() 读取csv时，可以用参数filling_values来指定用任意值填充缺失的部分
a_fill = np.genfromtxt('./data/12/sample_nan.csv', delimiter=',', filling_values=0) #替换成0

np.nan_to_num(a)  # 将array里的nan更改成0，生成新数列。
np.nan_to_num(a, copy=False)  # 将a里的nan直接更改为0

np.nan_to_num(a, nan=-1)  # 换成其它数字
np.nan_to_num(a, nan=np.nanmean(a))  # 换成平均（忽略nan）
 # 或
a[np.isnan(a)] = np.nanmean(a)

---

2. 生成全是nan的列表

a = [np.nan for index in range(5)]
#输出：[nan,nan,nan,nan,nan]

---

就酱 ;)