小編給大家分享一下python出現(xiàn)nan的解決方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討方法吧！

網(wǎng)站建設哪家好，找創(chuàng)新互聯(lián)！專注于網(wǎng)頁設計、網(wǎng)站建設、微信開發(fā)、小程序定制開發(fā)、集團企業(yè)網(wǎng)站建設等服務項目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了綏德免費建站歡迎大家使用！

很多數(shù)據(jù)不可避免的會遺失掉，或者采集的時候采集對象不愿意透露，這就造成了很多NaN（Not a Number）的出現(xiàn)。這些NaN會造成大部分模型運行出錯，所以對NaN的處理很有必要。

解決方法：

1、簡單粗暴地去掉

1）有如下dataframe，先用df.isnull().sum()檢查下哪一列有多少NaN:

import pandas as pd
df = pd.DataFrame({'a':[None,1,2,3],'b':[4,None,None,6],'c':[1,2,1,2],'d':[7,7,9,2]})
print (df)
print (df.isnull().sum())

輸出：

2）將含有NaN的列(columns)去掉:

data_without_NaN =df.dropna(axis=1)
print (data_without_NaN)

輸出：

2、遺失值插補法

很多時候直接刪掉列會損失很多有價值的數(shù)據(jù)，不利于模型的訓練。

所以可以考慮將NaN替換成某些數(shù)，顯然不能隨隨便便替換，有人喜歡替換成0，往往會畫蛇添足。

譬如調查工資收入與學歷高低的關系，有的人不想透露工資水平，但如果給這些NaN設置為0很顯然會失真。所以Python有個Imputation（插補）的方法。代碼如下：

from sklearn.preprocessing import Imputer
my_imputer = Imputer()
data_imputed = my_imputer.fit_transform(df)
print (type(data_imputed))
# array轉換成df
df_data_imputed = pd.DataFrame(data_imputed,columns=df.columns)
print (df_data_imputed)

輸出：

可以看出，這里大概是用平均值進行了替換。

看完了這篇文章，相信你對python出現(xiàn)nan的解決方法有了一定的了解，想了解更多相關知識，歡迎關注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！