Pandas DataFrameの列のNaN値をカウントする方法

私はの数を見つけたいデータを持っているNaNので、あるしきい値よりも小さい場合は、この列を削除します。私は見ましたが、このための機能を見つけることができませんでした。はありますがvalue_counts、ほとんどの値は別個であり、カウントNaNのみを必要とするため、私には時間がかかります。

あなたは使用することができますisna()（またはそれのエイリアス方法isnull()も古いパンダバージョン<0.21.0と互換性があります）、その後、NaNの値をカウントする合計を。1つの列の場合：

In [1]: s = pd.Series([1,2,3, np.nan, np.nan])

In [4]: s.isna().sum()   # or s.isnull().sum() for older pandas versions
Out[4]: 2

いくつかの列では、それも機能します：

In [5]: df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

In [6]: df.isna().sum()
Out[6]:
a    1
b    2
dtype: int64

非ナン値のカウントから全長を差し引くことができます。

count_nan = len(df) - df.count()

あなたはそれをあなたのデータに合わせるべきです。小さなシリーズの場合、isnullソリューションと比較して3倍の速度が得られました。

dfパンダのDataFrame だとしましょう。

そして、

df.isnull().sum(axis = 0)

これにより、すべての列にNaN値の数が表示されます。

必要に応じて、すべての行のNaN値、

df.isnull().sum(axis = 1)

最も投票された回答に基づいて、欠損値と各列の欠損値の割合をプレビューするデータフレームを提供する関数を簡単に定義できます。

def missing_values_table(df):
        mis_val = df.isnull().sum()
        mis_val_percent = 100 * df.isnull().sum() / len(df)
        mis_val_table = pd.concat([mis_val, mis_val_percent], axis=1)
        mis_val_table_ren_columns = mis_val_table.rename(
        columns = {0 : 'Missing Values', 1 : '% of Total Values'})
        mis_val_table_ren_columns = mis_val_table_ren_columns[
            mis_val_table_ren_columns.iloc[:,1] != 0].sort_values(
        '% of Total Values', ascending=False).round(1)
        print ("Your selected dataframe has " + str(df.shape[1]) + " columns.\n"      
            "There are " + str(mis_val_table_ren_columns.shape[0]) +
              " columns that have missing values.")
        return mis_val_table_ren_columns

パンダ以来0.14.1私の提案ここでは実装されていvalue_counts方法でキーワード引数を持っています：

import pandas as pd
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})
for col in df:
    print df[col].value_counts(dropna=False)

2     1
 1     1
NaN    1
dtype: int64
NaN    2
 1     1
dtype: int64

パンダ列のナン値を数えるだけの場合、ここが簡単な方法です

import pandas as pd
## df1 as an example data frame 
## col1 name of column for which you want to calculate the nan values
sum(pd.isnull(df1['col1']))

Jupyter Notebookを使用している場合は、どうでしょう...

 %%timeit
 df.isnull().any().any()

または

 %timeit 
 df.isnull().values.sum()

または、データのどこかにNaNがありますか？

 df.isnull().any()

以下は、すべてのNan列を降順に印刷します。

df.isnull().sum().sort_values(ascending = False)

または

以下は、最初の15 Nan列を降順に印刷します。

df.isnull().sum().sort_values(ascending = False).head(15)

import numpy as np
import pandas as pd

raw_data = {'first_name': ['Jason', np.nan, 'Tina', 'Jake', 'Amy'], 
        'last_name': ['Miller', np.nan, np.nan, 'Milner', 'Cooze'], 
        'age': [22, np.nan, 23, 24, 25], 
        'sex': ['m', np.nan, 'f', 'm', 'f'], 
        'Test1_Score': [4, np.nan, 0, 0, 0],
        'Test2_Score': [25, np.nan, np.nan, 0, 0]}
results = pd.DataFrame(raw_data, columns = ['first_name', 'last_name', 'age', 'sex', 'Test1_Score', 'Test2_Score'])

results 
'''
  first_name last_name   age  sex  Test1_Score  Test2_Score
0      Jason    Miller  22.0    m          4.0         25.0
1        NaN       NaN   NaN  NaN          NaN          NaN
2       Tina       NaN  23.0    f          0.0          NaN
3       Jake    Milner  24.0    m          0.0          0.0
4        Amy     Cooze  25.0    f          0.0          0.0
'''

次の関数を使用して、データフレームに出力することができます

• ゼロ値
• 欠損値
• 合計値の割合
• ゼロ欠損値の合計
• 合計ゼロ欠損値の割合
• データ・タイプ

次の関数をコピーして貼り付け、パンダのデータフレームを渡して呼び出します

def missing_zero_values_table(df):
        zero_val = (df == 0.00).astype(int).sum(axis=0)
        mis_val = df.isnull().sum()
        mis_val_percent = 100 * df.isnull().sum() / len(df)
        mz_table = pd.concat([zero_val, mis_val, mis_val_percent], axis=1)
        mz_table = mz_table.rename(
        columns = {0 : 'Zero Values', 1 : 'Missing Values', 2 : '% of Total Values'})
        mz_table['Total Zero Missing Values'] = mz_table['Zero Values'] + mz_table['Missing Values']
        mz_table['% Total Zero Missing Values'] = 100 * mz_table['Total Zero Missing Values'] / len(df)
        mz_table['Data Type'] = df.dtypes
        mz_table = mz_table[
            mz_table.iloc[:,1] != 0].sort_values(
        '% of Total Values', ascending=False).round(1)
        print ("Your selected dataframe has " + str(df.shape[1]) + " columns and " + str(df.shape[0]) + " Rows.\n"      
            "There are " + str(mz_table.shape[0]) +
              " columns that have missing values.")
#         mz_table.to_excel('D:/sampledata/missing_and_zero_values.xlsx', freeze_panes=(1,0), index = False)
        return mz_table

missing_zero_values_table(results)

出力

Your selected dataframe has 6 columns and 5 Rows.
There are 6 columns that have missing values.

             Zero Values  Missing Values  % of Total Values  Total Zero Missing Values  % Total Zero Missing Values Data Type
last_name              0               2               40.0                          2                         40.0    object
Test2_Score            2               2               40.0                          4                         80.0   float64
first_name             0               1               20.0                          1                         20.0    object
age                    0               1               20.0                          1                         20.0   float64
sex                    0               1               20.0                          1                         20.0    object
Test1_Score            3               1               20.0                          4                         80.0   float64

シンプルにしたい場合は、次の関数を使用して％の欠損値を取得できます

def missing(dff):
    print (round((dff.isnull().sum() * 100/ len(dff)),2).sort_values(ascending=False))


missing(results)
'''
Test2_Score    40.0
last_name      40.0
Test1_Score    20.0
sex            20.0
age            20.0
first_name     20.0
dtype: float64
'''

ゼロを数えるには：

df[df == 0].count(axis=0)

NaNをカウントするには：

df.isnull().sum()

または

df.isna().sum()

value_countsメソッドを使用して、np.nanの値を出力できます

s.value_counts(dropna = False)[np.nan]

特定の列数については、以下を使用してください

dataframe.columnName.isnull().sum()

df1.isnull().sum()

これでうまくいきます。

Null列ごとに値をカウントするコードは次のとおりです。

df.isna().sum()

NaN値を要約するさまざまな方法の詳細については、2017年7月の素晴らしいDzone記事があります。それをチェックアウトここに。

私が引用した記事は、（1）各列のNaNカウントをカウントして表示する方法を示し、それらの列を破棄するかどうかを簡単に決定できるようにし、（2）これらの行を選択する方法を示すNaNを持つ特定のもので、選択的に破棄または帰属させることができます。

ここに、アプローチの有用性を示す簡単な例を示します。おそらく数列しかありませんが、その有用性は明らかではありませんが、より大きなデータフレームに役立つことがわかりました。

import pandas as pd
import numpy as np

# example DataFrame
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

# Check whether there are null values in columns
null_columns = df.columns[df.isnull().any()]
print(df[null_columns].isnull().sum())

# One can follow along further per the cited article

NaNをカウントするだけの、まだ提案されていないもう1つの簡単なオプションは、NaNを含む行の数を返すように図形に追加することです。

df[df['col_name'].isnull()]['col_name'].shape

df.isnull（）。sum（）は、欠損値の列ごとの合計を返します。

特定の列の欠損値の合計を知りたい場合は、次のコードが機能しますdf.column.isnull（）。sum（）

与えられた答えといくつかの改善に基づいてこれは私のアプローチです

def PercentageMissin(Dataset):
    """this function will return the percentage of missing values in a dataset """
    if isinstance(Dataset,pd.DataFrame):
        adict={} #a dictionary conatin keys columns names and values percentage of missin value in the columns
        for col in Dataset.columns:
            adict[col]=(np.count_nonzero(Dataset[col].isnull())*100)/len(Dataset[col])
        return pd.DataFrame(adict,index=['% of missing'],columns=adict.keys())
    else:
        raise TypeError("can only be used with panda dataframe")

groupbyによって引き出された異なるグループ間で非NA（非なし）およびNA（なし）カウントを取得する必要がある場合：

gdf = df.groupby(['ColumnToGroupBy'])

def countna(x):
    return (x.isna()).sum()

gdf.agg(['count', countna, 'size'])

これは、非NA、NA、およびグループごとのエントリーの総数を返します。

私のコードで@sushmitによって提案されたソリューションを使用しました。

同じの可能なバリエーションはまたすることができます

colNullCnt = []
for z in range(len(df1.cols)):
    colNullCnt.append([df1.cols[z], sum(pd.isnull(trainPd[df1.cols[z]]))])

これの利点は、それ以降、dfの各列の結果を返すことです。

import pandas as pd
import numpy as np

# example DataFrame
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

# count the NaNs in a column
num_nan_a = df.loc[ (pd.isna(df['a'])) , 'a' ].shape[0]
num_nan_b = df.loc[ (pd.isna(df['b'])) , 'b' ].shape[0]

# summarize the num_nan_b
print(df)
print(' ')
print(f"There are {num_nan_a} NaNs in column a")
print(f"There are {num_nan_b} NaNs in column b")

出力として与える：

     a    b
0  1.0  NaN
1  2.0  1.0
2  NaN  NaN

There are 1 NaNs in column a
There are 2 NaNs in column b

レビューと呼ばれるデータフレームの価格として知られている列（シリーズ）の欠損値（NaN）の数を取得したいとします

#import the dataframe
import pandas as pd

reviews = pd.read_csv("../input/wine-reviews/winemag-data-130k-v2.csv", index_col=0)

変数としてn_missing_pricesを使用して欠損値を取得するには、次のようにします。

n_missing_prices = sum(reviews.price.isnull())
print(n_missing_prices)

sumはここで重要な方法であり、countを使用しようとしていましたが、sumはこのコンテキストで使用するのに適切な方法です

https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.count.html#pandas.Series.count

pandas.Series.count
Series.count(level=None)[source]

シリーズ内の非NA / null観測の数を返す

タスクにはpandas.DataFrame.dropna（https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html）を使用できます。

import pandas as pd
import numpy as np

df = pd.DataFrame({'a': [1, 2, 3, 4, np.nan],
                   'b': [1, 2, np.nan, 4, np.nan],
                   'c': [np.nan, 2, np.nan, 4, np.nan]})
df = df.dropna(axis='columns', thresh=3)

print(df)

threshパラメーターを使用して、DataFrameのすべての列のNaN値の最大数を宣言できます。

コード出力：

     a    b
0  1.0  1.0
1  2.0  2.0
2  3.0  NaN
3  4.0  4.0
4  NaN  NaN