Desarrollo de Python
  1. Desarrollo de Python
  3. Recuperar índices de valores de NaN en un dataframe de pandas
Intereting Posts
¿Cómo elimino duplicados consecutivos de una lista? Eliminación rápida de la puntuación con pandas Java o Python para procesamiento de lenguaje natural ¿Cómo cambiar el formato de fecha y hora en el dataframe con el uso de pandas? libclang: agregar sistema de comstackdor incluir ruta (Python en Windows) Renderice la clase de vista Django a una cadena o respuesta Python “esperaba un bloque sangrado” Diccionario de Python reemplazar valores ¿Cómo actualizar valores usando pymongo? autenticación hash_hmac sha512 en python ImportError: no se puede importar el nombre inplace_column_scale ¿Comstackr e instalar el ejecutable de C usando setuptools / setup.py de python? La forma más rápida de escribir grandes datos en un archivo. ¿Cómo fuerzo mi código para imprimir en python? ¿Cómo creo una lista de números aleatorios sin duplicados?

Recuperar índices de valores de NaN en un dataframe de pandas

Intento recuperar para cada fila que contiene valores de NaN todos los índices de las columnas correspondientes. 

d=[[11.4,1.3,2.0, NaN],[11.4,1.3,NaN, NaN],[11.4,1.3,2.8, 0.7],[NaN,NaN,2.8, 0.7]] df = pd.DataFrame(data=d, columns=['A','B','C','D']) print df ABCD 0 11.4 1.3 2.0 NaN 1 11.4 1.3 NaN NaN 2 11.4 1.3 2.8 0.7 3 NaN NaN 2.8 0.7

Ya he hecho lo siguiente:

  • Agrega una columna con el recuento de NaN para cada fila.
  • obtener los índices de cada fila que contienen valores de NaN

Lo que quiero (idealmente el nombre de la columna) es obtener una lista como esta: 

 [ ['D'],['C','D'],['A','B'] ]

Espero poder encontrar un camino sin hacer para cada fila la prueba para cada columna 

 if df.ix[i][column] == NaN:

Estoy buscando una forma de pandas para poder lidiar con mi enorme conjunto de datos.

Gracias por adelantado.

Otra forma, extrae las filas que son NaN: 

 In [11]: df_null = df.isnull().unstack() In [12]: t = df_null[df_null] In [13]: t Out[13]: A 3 True B 3 True C 1 True D 0 True 1 True dtype: bool

Esto te lleva a la mayor parte del camino y puede ser suficiente.
Aunque puede ser más fácil trabajar con la Serie: 

 In [14]: s = pd.Series(t2.index.get_level_values(1), t2.index.get_level_values(0)) In [15]: s Out[15]: 0 D 1 C 1 D 3 A 3 B dtype: object

por ejemplo, si quisieras las listas (aunque no creo que las necesitarías) 

 In [16]: s.groupby(level=0).apply(list) Out[16]: 0 [D] 1 [C, D] 3 [A, B] dtype: object

Debería ser eficiente usar una matriz dispersa de formato de coordenadas para obtener las coordenadas de los valores nulos: 

 import scipy.sparse as sp x,y = sp.coo_matrix(df.isnull()).nonzero() print(list(zip(x,y))) [(0, 3), (1, 2), (1, 3), (3, 0), (3, 1)]

Tenga en cuenta que estoy llamando al método nonzero para que solo se muestren las coordenadas de las entradas distintas de cero en la matriz dispersa subyacente, ya que no me importan los valores reales que son todos True .

Puede recorrer cada fila en el dataframe, crear una máscara de valores nulos y generar su índice (es decir, las columnas en el dataframe). 

 lst = [] for _, row in df.iterrows(): mask = row.isnull() lst += [row[mask].index.tolist()] >>> lst [['D'], ['C', 'D'], [], ['A', 'B']]

Otra forma más sencilla es: 

 >>>df.isnull().any(axis=1) 0 True 1 True 2 False 3 True dtype: bool

subconjunto: 

 >>> bool_idx = df.isnull().any(axis=1) >>> df[bool_idx] ABCD 0 11.4 1.3 2.0 NaN 1 11.4 1.3 NaN NaN 3 NaN NaN 2.8 0.7

para obtener el índice entero: 

 >>> df[bool_idx].index Int64Index([0, 1, 3], dtype='int64')