Cara cek nan in kondisi if python

Untuk memeriksa apakah nilai di lokasi tertentu di Pandas adalah NaN atau tidak, panggil numpy. fungsi isnan() dengan nilai yang diteruskan sebagai argumen

Show
numpy.isnan(value)

Jika nilainya sama dengan numpy. nan, ekspresi mengembalikan True, selain itu mengembalikan False

Contoh 1. Periksa apakah Nilai Sel adalah NaN di Pandas DataFrame

Dalam contoh ini, kami akan mengambil DataFrame dengan nilai NaN di beberapa lokasi. Kami akan memeriksa apakah nilai di lokasi tertentu adalah NaN atau tidak

Program Piton

import pandas as pd
import numpy as np

df = pd.DataFrame(
	[[np.nan, 72, 67],
	[23, 78, 62],
	[32, 74, np.nan],
	[np.nan, 54, 76]],
	columns=['a', 'b', 'c'])

value = df.at[0, 'a']  #nan
isNaN = np.isnan(value)
print("Is value at df[0, 'a'] NaN :", isNaN)

value = df.at[0, 'b']  #72
isNaN = np.isnan(value)
print("Is value at df[0, 'b'] NaN :", isNaN)
_Lari

Keluaran

Is value at df[0, 'a'] NaN : True
Is value at df[0, 'b'] NaN : False

Contoh 2. Periksa apakah Nilai Sel adalah NaN di Pandas DataFrame Secara Iteratif

Dalam contoh ini, kami akan mengambil DataFrame dengan nilai NaN di beberapa lokasi. Kami akan mengulangi setiap nilai sel di DataFrame ini dan memeriksa apakah nilai di lokasi ini adalah NaN atau tidak

Program Piton

import pandas as pd
import numpy as np

df = pd.DataFrame(
	[[np.nan, 72, 67],
	[23, 78, 62],
	[32, 74, np.nan],
	[np.nan, 54, 76]])

for i in range(df.shape[0]): #iterate over rows
    for j in range(df.shape[1]): #iterate over columns
        value = df.at[i, j] #get cell value
        print(np.isnan(value), end="\t")
    print()
Jalankan

Keluaran

True    False   False
False   False   False
False   False   True
True    False   False
_

Ringkasan

Dalam tutorial Contoh Python ini, kami belajar cara memeriksa apakah nilai sel tertentu di Pandas adalah NaN atau tidak menggunakan numpy. isnan() fungsi

Dalam Python, tipe

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
_3 memiliki
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4.
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 adalah singkatan dari "bukan angka" dan ditentukan oleh standar floating-point IEEE 754

  • NaN - Wikipedia

Artikel ini menjelaskan konten berikut

  • a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    4 adalah nilai
    a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    3 di Python
  • Buat
    a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    _4.
    a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    9,
    print(float('nan'))
    # nan
    
    print(float('NaN'))
    # nan
    
    print(float('NAN'))
    # nan
    
    0,
    print(float('nan'))
    # nan
    
    print(float('NaN'))
    # nan
    
    print(float('NAN'))
    # nan
    
    1
  • Periksa apakah nilainya
    a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    _4.
    print(float('nan'))
    # nan
    
    print(float('NaN'))
    # nan
    
    print(float('NAN'))
    # nan
    
    3,
    print(float('nan'))
    # nan
    
    print(float('NaN'))
    # nan
    
    print(float('NAN'))
    # nan
    
    4
  • Perilaku untuk operator pembanding (
    print(float('nan'))
    # nan
    
    print(float('NaN'))
    # nan
    
    print(float('NAN'))
    # nan
    
    5,
    print(float('nan'))
    # nan
    
    print(float('NaN'))
    # nan
    
    print(float('NAN'))
    # nan
    
    6,
    print(float('nan'))
    # nan
    
    print(float('NaN'))
    # nan
    
    print(float('NAN'))
    # nan
    
    7,
    print(float('nan'))
    # nan
    
    print(float('NaN'))
    # nan
    
    print(float('NAN'))
    # nan
    
    8) dengan
    a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    4
  • Centang
    a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    _4 dalam pernyataan
    print(math.nan)
    # nan
    
    print(np.nan)
    # nan
    
    print(np.NaN)
    # nan
    
    print(np.NAN)
    # nan
    
    1
  • Hapus dan ganti
    a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    _4 dalam daftar
  • Operasi dengan
    a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
    print(a)
    # [[11. 12. nan 14.]
    #  [21. nan nan 24.]
    #  [31. 32. 33. 34.]]
    
    df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
    print(df)
    #       name   age state  point  other
    # 0    Alice  24.0    NY    NaN    NaN
    # 1      NaN   NaN   NaN    NaN    NaN
    # 2  Charlie   NaN    CA    NaN    NaN
    
    _4

Lihat artikel berikut tentang cara menghapus dan mengganti

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 di NumPy dan panda

  • NumPy. Hapus baris/kolom dengan nilai yang hilang (NaN) di ndarray
  • NumPy. Ganti NaN (np. nan) di ndarray
  • panda. Hapus nilai yang hilang (NaN) dengan dropna()
  • panda. Ganti nilai yang hilang (NaN) dengan fillna()

Tautan Bersponsor

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN 4 adalah nilai a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN 3 di Python

Dalam Python, tipe

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
_3 memiliki
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4. Anda dapat membuat
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
_4 dengan
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
9. Metode pembuatan lainnya dijelaskan nanti

import math

import numpy as np
import pandas as pd

print(float('nan'))
# nan

print(type(float('nan')))
# <class 'float'>

sumber.

Misalnya, jika Anda membaca file CSV di NumPy atau panda, nilai yang hilang diwakili oleh

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 (
print(math.isnan(float('nan')))
# True

print(math.isnan(math.nan))
# True

print(math.isnan(np.nan))
# True
2 di panda)

  • numpy. genfromtxt — NumPy v1. 22 Petunjuk
  • panda. read_csv — panda 1. 4. 0 dokumentasi

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN

sumber.

Buat a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN _4. a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN 9, print(float('nan')) # nan print(float('NaN')) # nan print(float('NAN')) # nan 0, print(float('nan')) # nan print(float('NaN')) # nan print(float('NAN')) # nan 1

Seperti dijelaskan di atas, Anda dapat membuat

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
_4 dengan
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
9. Tidak peka huruf besar/kecil, jadi Anda dapat menggunakan
print(math.isnan(float('nan')))
# True

print(math.isnan(math.nan))
# True

print(math.isnan(np.nan))
# True
9 dan
print(np.isnan(float('nan')))
# True

print(np.isnan([float('nan'), math.nan, np.nan, 0]))
# [ True  True  True False]
0

print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan

sumber.

Selain itu,

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 dapat dibuat dengan matematika (perpustakaan standar) dan NumPy;

print(math.nan)
# nan

print(np.nan)
# nan

print(np.NaN)
# nan

print(np.NAN)
# nan

sumber.

Mereka setara tidak peduli metode apa yang Anda gunakan untuk membuat

Periksa apakah nilainya a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN _4. print(float('nan')) # nan print(float('NaN')) # nan print(float('NAN')) # nan 3, print(float('nan')) # nan print(float('NaN')) # nan print(float('NAN')) # nan 4

Anda dapat memeriksa apakah nilainya

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 atau tidak dengan
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
3

print(math.isnan(float('nan')))
# True

print(math.isnan(math.nan))
# True

print(math.isnan(np.nan))
# True

sumber.

print(np.isnan(float('nan')))
# True

print(np.isnan([float('nan'), math.nan, np.nan, 0]))
# [ True  True  True False]
_9 juga disediakan

  • numpy. isnan — NumPy v1. 22 Petunjuk

Selain nilai skalar, objek seperti array seperti daftar dan array NumPy

print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
0 dapat ditentukan sebagai argumen

print(np.isnan(float('nan')))
# True

print(np.isnan([float('nan'), math.nan, np.nan, 0]))
# [ True  True  True False]

sumber.

print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
1 dan
print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
2 memiliki metode
print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
3 dan aliasnya
print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
4, yang mengembalikan
print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
5 untuk
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 dan
print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
7

  • Nilai yang hilang di panda (nan, None, pd. NA)
  • panda. Deteksi dan hitung nilai yang hilang (NaN) dengan isnull(), isna()

Kesalahan dimunculkan jika

print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
7 ditentukan untuk
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
3 atau
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
4

Perilaku untuk operator pembanding (print(float('nan')) # nan print(float('NaN')) # nan print(float('NAN')) # nan 5, print(float('nan')) # nan print(float('NaN')) # nan print(float('NAN')) # nan 6, print(float('nan')) # nan print(float('NaN')) # nan print(float('NAN')) # nan 7, print(float('nan')) # nan print(float('NaN')) # nan print(float('NAN')) # nan 8) dengan a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN 4

Saat membandingkan dengan

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4,
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
5,
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
6,
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
7,
print(bool(float('nan')))
# True
0, dan
print(bool(float('nan')))
# True
1 selalu mengembalikan
print(bool(float('nan')))
# True
2, dan
print(bool(float('nan')))
# True
3 selalu mengembalikan
print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
5

print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True

sumber.

Hal yang sama berlaku untuk

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
_4 dan
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 perbandingan. Perhatikan bahwa
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
7 dan
print(bool(float('nan')))
# True
3 memberikan hasil kontra-intuitif

Setiap perbandingan yang diurutkan dari angka ke nilai bukan angka adalah salah. Implikasi kontra-intuitif adalah bahwa nilai bukan angka tidak sama dengan dirinya sendiri. Misalnya, jika x = float('NaN'), 3 < x, x < 3 dan x == x semuanya salah, sedangkan x. = x benar. Perilaku ini sesuai dengan IEEE 754.

print(float('nan') == float('nan'))
# False

print(float('nan') != float('nan'))
# True

sumber.

Untuk memeriksa apakah suatu nilai adalah

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
_4, gunakan
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
3 dan
print(np.isnan(float('nan')))
# True

print(np.isnan([float('nan'), math.nan, np.nan, 0]))
# [ True  True  True False]
9 alih-alih
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
7

Tautan Bersponsor

Centang a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN _4 dalam pernyataan print(math.nan) # nan print(np.nan) # nan print(np.NaN) # nan print(np.NAN) # nan 1

Dalam Python, objek selain

print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
_5 dan
print(bool(float('nan')))
# True
2 juga dianggap benar atau salah dalam ekspresi bersyarat dari pernyataan
print(math.nan)
# nan

print(np.nan)
# nan

print(np.NaN)
# nan

print(np.NAN)
# nan
1. Misalnya, string kosong
x = float('nan')

if math.isnan(x):
    print('This is nan.')
else:
    print('This is not nan.')
# This is nan.
8 atau angka
x = float('nan')

if math.isnan(x):
    print('This is nan.')
else:
    print('This is not nan.')
# This is nan.
9 dianggap salah, dan string atau angka lain dianggap benar

  • Mengonversi bool (Benar, Salah) dan tipe lainnya satu sama lain dengan Python

Seperti yang Anda lihat dengan

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
00,
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 dievaluasi sebagai
print(10 < float('nan'))
# False

print(10 > float('nan'))
# False

print(10 == float('nan'))
# False

print(10 != float('nan'))
# True
5

print(bool(float('nan')))
# True

sumber.

Gunakan

print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
_3 atau
print(np.isnan(float('nan')))
# True

print(np.isnan([float('nan'), math.nan, np.nan, 0]))
# [ True  True  True False]
9

x = float('nan')

if math.isnan(x):
    print('This is nan.')
else:
    print('This is not nan.')
# This is nan.

sumber.

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
0

sumber.

Hapus dan ganti a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN _4 dalam daftar

Jika Anda ingin menghapus atau mengganti

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
_4 dalam daftar, gunakan pemahaman daftar, ekspresi bersyarat (operator ternary), dan
print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
3,
print(np.isnan(float('nan')))
# True

print(np.isnan([float('nan'), math.nan, np.nan, 0]))
# [ True  True  True False]
9

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
1

sumber.

Cukup gunakan

print(float('nan'))
# nan

print(float('NaN'))
# nan

print(float('NAN'))
# nan
3 dan
print(np.isnan(float('nan')))
# True

print(np.isnan([float('nan'), math.nan, np.nan, 0]))
# [ True  True  True False]
9 untuk pemeriksaan, dan konsepnya sama dengan kasus lain untuk menghapus dan mengganti nilai. Lihat artikel berikut untuk detailnya

  • Ekstrak, ganti, ubah elemen daftar dengan Python

Lihat artikel berikut tentang cara menghapus dan mengganti

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 di NumPy dan panda

  • NumPy. Hapus baris/kolom dengan nilai yang hilang (NaN) di ndarray
  • NumPy. Ganti NaN (np. nan) di ndarray
  • panda. Hapus nilai yang hilang (NaN) dengan dropna()
  • panda. Ganti nilai yang hilang (NaN) dengan fillna()

Operasi dengan a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',') print(a) # [[11. 12. nan 14.] # [21. nan nan 24.] # [31. 32. 33. 34.]] df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3] print(df) # name age state point other # 0 Alice 24.0 NY NaN NaN # 1 NaN NaN NaN NaN NaN # 2 Charlie NaN CA NaN NaN _4

Operasi seperti

a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
13,
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
14,
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
15,
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
16, dan
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
17 dengan hasil
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4
a = np.genfromtxt('data/src/sample_nan.csv', delimiter=',')
print(a)
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv('data/src/sample_pandas_normal_nan.csv')[:3]
print(df)
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4

Bagaimana Anda menulis NaN dalam kondisi if dengan Python?

isnan dalam pernyataan if untuk perbandingan dengan nilai. Misalnya. untuk saya dalam jangkauan(len(df)). untuk j dalam rentang(8). jika matematika. isnan(df1. iloc[i,j]) == SALAH. b=b+1 print(b ," benar dari", b+c) lain. print("Error") Saya mendapatkan error pada baris di mana pernyataan If dimulai. Ketik Kesalahan. diperlukan pelampung.

Bagaimana cara saya memeriksa apakah suatu elemen memiliki NaN?

Untuk memeriksa NaN kita dapat menggunakan matematika. fungsi isnan() karena NaN tidak dapat diuji menggunakan operator ==.

Bagaimana Anda memeriksa apakah suatu nilai adalah NaN di Python panda?

Cara memeriksa NaN di Pandas DataFrame adalah sebagai berikut. .
Periksa NaN dengan isnull(). nilai-nilai. apapun() metode
Hitung NaN Menggunakan isnull(). jumlah() Metode
Periksa NaN Menggunakan isnull(). nilai-nilai. apapun() Metode
Hitung NaN Menggunakan isnull(). jumlah(). jumlah() Metode

Bagaimana cara saya memeriksa apakah suatu string memiliki nilai NaN?

Kita dapat memeriksa apakah suatu string adalah NaN dengan menggunakan properti objek NaN yang merupakan NaN. = NaN . Mari kita definisikan fungsi boolean isNaN() yang mengembalikan true jika argumen yang diberikan adalah NaN dan mengembalikan false jika sebaliknya. Kami juga dapat mengambil nilai dan mengubahnya menjadi float untuk memeriksa apakah itu NaN.

Apakah NaN == NaN benar?

NaN tidak sama dengan NaN . Cerita pendek. Menurut spesifikasi IEEE 754, setiap operasi yang dilakukan pada nilai NaN harus menghasilkan nilai yang salah atau menimbulkan kesalahan.