1.相关概念

空值：在pandas中的空值是""

缺失值：在dataframe中为nan或者naT（缺失时间），在series中为none或者nan即可

2.判断文件中是否含有缺失/空值

#首先读入文件
df = pd.read_csv("nba.csv") 

# 查看每一列是否有NaN：
df.isnull().any(axis=0)
# 查看每一行是否有NaN：
df.isnull().any(axis=1)
# 查看所有数据中是否有NaN最快的，没有输出False，反之为True：
df.isnull().values.any()

# 查看每一列是否有缺失：
df.isna().any(axis=0)
# 查看每一行是否有缺失：
df.isna().any(axis=1)
# 查看所有数据中是否有缺少最快的，没有输出False，反之为True：
df.isna().values.any()

3.输出含有缺失/空值的数据行

data[data.isnull().values==True]

data[data.isna().values==True]

4.删除含有空值的行或列

DataFrame.dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)

axis:维度，axis=0表示index行,axis=1表示columns列，默认为0

how:"all"表示这一行或列中的元素全部缺失（为nan）才删除这一行或列，"any"表示这一行或列中只要有元素缺失，就删除这一行或列

thresh:一行或一列中至少出现了thresh个才删除。

subset：在某些列的子集中选择出现了缺失值的列删除，不在子集中的含有缺失值得列或行不会删除（有axis决定是行还是列）

inplace：刷选过缺失值得新数据是存为副本还是直接在原数据上进行修改。

#删除空行
data.dropna()
#删除缺失行
dp.dropnull()

5.填充含有空值的行或列

DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, kwargs)
value:需要用什么值去填充缺失值

axis:确定填充维度，从行开始或是从列开始

method：ffill:用缺失值前面的一个值代替缺失值，如果axis =1，那么就是横向的前面的值替换后面的缺失值，如果axis=0，那么则是上面的值替换下面的缺失值。backfill/bfill，缺失值后面的一个值代替前面的缺失值。注意这个参数不能与value同时出现

limit:确定填充的个数，如果limit=2，则只填充两个缺失值。

#"横向用缺失值前面的值替换缺失值"
df.fillna(axis=1,method='ffill')
#"纵向用缺失值上面的值替换缺失值"
df.fillna(axis=1,method='ffill')
#用0替换
df.fillna(0)