Вы можете использовать следующий синтаксис для замены пустых строк значениями NaN в pandas:
df = df.replace ( r'^\s\*$' , np.nan , regex= True )
В следующем примере показано, как использовать этот синтаксис на практике.
Связанный: Как заменить значения NaN на строку в Pandas
Пример: заменить пустые строки на NaN
Предположим, у нас есть следующий кадр данных pandas, который содержит информацию о различных баскетболистах:
import pandas as pd
#create DataFrame
df = pd.DataFrame({'team': ['A', 'B', '', 'D', 'E', '', 'G', 'H'],
'position': ['', 'G', 'G', 'F', 'F', '', 'C', 'C'],
'points': [5, 7, 7, 9, 12, 9, 9, 4],
'rebounds': [11, 8, 10, 6, 6, 5, 9, 12]})
#view DataFrame
df
team position points rebounds
0 A 5 11
1 B G 7 8
2 G 7 10
3 D F 9 6
4 E F 12 6
5 9 5
6 G C 9 9
7 H C 4 12
Обратите внимание, что в столбцах team и position есть несколько пустых строк.
Мы можем использовать следующий синтаксис, чтобы заменить эти пустые строки значениями NaN:
import numpy as np
#replace empty values with NaN
df = df.replace ( r'^\s\*$' , np.nan , regex= True )
#view updated DataFrame
df
team position points rebounds
0 A NaN 5 11
1 B G 7 8
2 NaN G 7 10
3 D F 9 6
4 E F 12 6
5 NaN NaN 9 5
6 G C 9 9
7 H C 4 127
Обратите внимание, что каждая из пустых строк заменена на NaN.
Примечание.Полную документацию по функции замены в pandas можно найти здесь .
Дополнительные ресурсы
В следующих руководствах объясняется, как выполнять другие распространенные задачи в pandas:
Как вменить пропущенные значения в Pandas
Как подсчитать пропущенные значения в Pandas
Как заполнить значения NaN средним значением в Pandas