缺失值是指数据表某个位置的数据为空，在处理时可以删除对应行的数据，也可以对缺失值进行填充（替换）。但不论如何处理，首先需要找到缺失值。Python中缺失值表示为NaN，isnull()函数可用于判断缺失值，如果是缺失值就返回True；否则返回False。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_nan.xlsx")
print(df,'\n')
print(df.isnull())

运行结果为：

       Name     Sex  Chinese  English  Math
0      Noah    male     90.0     50.0  66.0
1      Emma     NaN     56.0     56.0  55.0
2       NaN     NaN      NaN      NaN   NaN
3    Olivia  female     86.0     87.0   NaN
4      Liam    male     55.0      NaN  69.0
5    Sophia  female     90.0     66.0  96.0
6      Liam    male     55.0      NaN  69.0
7  Isabella  female      NaN     85.0  55.0 

    Name    Sex  Chinese  English   Math
0  False  False    False    False  False
1  False   True    False    False  False
2   True   True     True     True   True
3  False  False    False    False   True
4  False  False    False     True  False
5  False  False    False    False  False
6  False  False    False     True  False
7  False  False     True    False  False

在数据表中，有些行或列存在几个缺失值，还有些行或列全部为缺失值，即是空白行或空白列。在处理缺失值时，可以选择删除缺失值所在的行或列，也可以只删除空白行或空白列。

dropna()函数用于删除含有缺失值（NaN值）的行，并返回删除后的数据。可以通过参数how、axis、subset等来调整具体删除内容。

• how 设为all时，只删除空白行或空白列；省略时，对含有缺失值的行或列进行删除。

• axis 设为1时，删除缺失值所在的列；设为0时（省略时默认），删除缺失值所在的行。

• subset 以列表形式给出要检查的行或列的索引。
  

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_nan.xlsx")
print('DataFrame：')
print(df,'\n')

print("how='all'：")
print(df.dropna(how='all'),'\n')

print('全部省略（默认）时：')
print(df.dropna(),'\n')

print('axis=1,subset=[3,4]：')
print(df.dropna(axis=1,subset=[3,4]),'\n')

print("axis=0,subset=['Chinese','Math']：")
print(df.dropna(axis=0,subset=['Chinese','Math']))

运行结果为：

DataFrame：
       Name     Sex  Chinese  English  Math
0      Noah    male     90.0     50.0  66.0
1      Emma     NaN     56.0     56.0  55.0
2       NaN     NaN      NaN      NaN   NaN
3    Olivia  female     86.0     87.0   NaN
4      Liam    male     55.0      NaN  69.0
5    Sophia  female     90.0     66.0  96.0
6      Liam    male     55.0      NaN  69.0
7  Isabella  female      NaN     85.0  55.0 

how='all'：
       Name     Sex  Chinese  English  Math
0      Noah    male     90.0     50.0  66.0
1      Emma     NaN     56.0     56.0  55.0
3    Olivia  female     86.0     87.0   NaN
4      Liam    male     55.0      NaN  69.0
5    Sophia  female     90.0     66.0  96.0
6      Liam    male     55.0      NaN  69.0
7  Isabella  female      NaN     85.0  55.0 

全部省略（默认）时：
     Name     Sex  Chinese  English  Math
0    Noah    male     90.0     50.0  66.0
5  Sophia  female     90.0     66.0  96.0 

axis=1,subset=[3,4]：
       Name     Sex  Chinese
0      Noah    male     90.0
1      Emma     NaN     56.0
2       NaN     NaN      NaN
3    Olivia  female     86.0
4      Liam    male     55.0
5    Sophia  female     90.0
6      Liam    male     55.0
7  Isabella  female      NaN 

axis=0,subset=['Chinese','Math']：
     Name     Sex  Chinese  English  Math
0    Noah    male     90.0     50.0  66.0
1    Emma     NaN     56.0     56.0  55.0
4    Liam    male     55.0      NaN  69.0
5  Sophia  female     90.0     66.0  96.0
6    Liam    male     55.0      NaN  69.0

对于参数axis的含义，结合前面介绍的NumPy中concatenate()函数在数组合并时的操作，可以这样理解：

• axis=0 表示数据在列方向（纵向）上进行“行”的增减变化。

• axis=1 表示数据在行方向（横向）上进行“列”的增减变化。

除了对缺失值进行删除，还可以进行填充，也就是将缺失值替换为指定的值。fillna()函数用于对缺失值的填充，参数为要填充的新值。

1、全部填充。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_nan.xlsx")
print(df,'\n')
print(df.fillna(0))

运行结果为：

       Name     Sex  Chinese  English  Math
0      Noah    male     90.0     50.0  66.0
1      Emma     NaN     56.0     56.0  55.0
2       NaN     NaN      NaN      NaN   NaN
3    Olivia  female     86.0     87.0   NaN
4      Liam    male     55.0      NaN  69.0
5    Sophia  female     90.0     66.0  96.0
6      Liam    male     55.0      NaN  69.0
7  Isabella  female      NaN     85.0  55.0 

       Name     Sex  Chinese  English  Math
0      Noah    male     90.0     50.0  66.0
1      Emma       0     56.0     56.0  55.0
2         0       0      0.0      0.0   0.0
3    Olivia  female     86.0     87.0   0.0
4      Liam    male     55.0      0.0  69.0
5    Sophia  female     90.0     66.0  96.0
6      Liam    male     55.0      0.0  69.0
7  Isabella  female      0.0     85.0  55.0

以上缺失值全部填充为0。根据每列的数据类型，填充值会有不同的格式。

2、选择列填充。

import pandas as pd
df=pd.read_excel(r"D:\PythonTestFile\exam_nan.xlsx")
print(df,'\n')
print(df.fillna({'Name':'XXX','Sex':'unknown'}))

运行结果为：

       Name     Sex  Chinese  English  Math
0      Noah    male     90.0     50.0  66.0
1      Emma     NaN     56.0     56.0  55.0
2       NaN     NaN      NaN      NaN   NaN
3    Olivia  female     86.0     87.0   NaN
4      Liam    male     55.0      NaN  69.0
5    Sophia  female     90.0     66.0  96.0
6      Liam    male     55.0      NaN  69.0
7  Isabella  female      NaN     85.0  55.0 

       Name      Sex  Chinese  English  Math
0      Noah     male     90.0     50.0  66.0
1      Emma  unknown     56.0     56.0  55.0
2       XXX  unknown      NaN      NaN   NaN
3    Olivia   female     86.0     87.0   NaN
4      Liam     male     55.0      NaN  69.0
5    Sophia   female     90.0     66.0  96.0
6      Liam     male     55.0      NaN  69.0
7  Isabella   female      NaN     85.0  55.0

以上只对列Name和Sex进行了填充，且它们填充了不同的值，这提供了个性填充的基础方式。