Pandas DataFrame notnull() 方法详解

DataFrame.notnull() 函数简介

Pandas 中的 DataFrame.notnull() 函数用于检测 DataFrame 中的非缺失值（即非 NaN 或 None 的值）。它会返回一个与原 DataFrame 形状相同的 DataFrame，其中包含布尔值，用于指示每个元素是否不为空。

让我们先看一个简单的例子：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    ‘A‘: [1, np.nan, 3],
    ‘B‘: [‘x‘, ‘y‘, None]
})
print(df.notnull())

Output

A      B
0   True   True
1  False   True
2   True  False

解释： 返回的 DataFrame 与原 DataFrame 形状相同，其中 True 表示该值不是 null（即有效值），False 表示该值为 NaN 或 None。

语法

> DataFrame.notnull()

参数： 此方法不接受任何参数。
返回值： 一个布尔类型的 DataFrame，其中值为非空的位置显示 True，值为 NaN 或 None 的位置显示 False。

示例

示例 1： 在这个例子中，我们来检查 DataFrame 中哪些值不是缺失值。

import pandas as pd
import numpy as np

df = pd.DataFrame({‘A‘: [1, np.nan, 3], ‘B‘: [‘a‘, ‘b‘, None]})
print(df.notnull())

Output

A      B
0   True   True
1  False   True
2   True  False

解释： 这会返回一个 DataFrame，其中非空值对应的位置为 True，而 NaN 或 None 对应的位置为 False。
示例 2： 使用布尔索引过滤列 ‘A‘ 不为空的行。

import pandas as pd
import numpy as np

df = pd.DataFrame({‘A‘: [1, np.nan, 3], ‘B‘: [‘a‘, ‘b‘, None]})
print(df[df[‘A‘].notnull()])

Output

A     B
0  1.0     a
2  3.0  None

解释： 只有列 ‘A‘ 不为空的行会被返回。列 ‘A‘ 中包含 NaN 的行被排除了。
示例 3： 将 INLINECODE332544e4 与 INLINECODE10d060ca 的反函数进行比较，以验证它们在逻辑上是相反的。

import pandas as pd
import numpy as np

df = pd.DataFrame({‘A‘: [1, np.nan, 3], ‘B‘: [‘a‘, ‘b‘, None]})
print(df.notnull() == ~df.isnull())

Output

A     B
0  True  True
1  True  True
2  True  True

解释： INLINECODE0674bcce 返回的结果与 INLINECODE2217eefa 相反，通过比较运算返回的全为 True 证实了这一点。
示例 4： 在这个例子中，我们使用 all() 方法检查每一列的所有值是否都非空。

import pandas as pd
import numpy as np

df = pd.DataFrame({‘A‘: [1, np.nan, 3], ‘B‘: [‘a‘, ‘b‘, None]})
print(df.notnull().all())

Output

A    False
B    False
dtype: bool

解释： 返回 False 表示这些列中并非所有值都是非空的，两列都至少包含一个缺失值。
示例 5： 在这个例子中，我们使用 any(axis=1) 检查每一行中是否至少包含一个非空值。

import pandas as pd
import numpy as np

df = pd.DataFrame({‘A‘: [1, np.nan, 3], ‘B‘: [‘a‘, ‘b‘, None]})
print(df.notnull().any(axis=1))

Output

0    True
1    True
2    True
dtype: bool

解释： 返回 True 表示每一行都至少包含一个非空值，即使行中的某些值是缺失的。

> 相关文章：

>

> – Pandas

> – NumPy