6个冷门但实用的pandas知识点 (2)

　　在pandas中我们可以对单个Series查看hanans属性来了解其是否包含缺失值，而结合apply()，我们就可以快速查看整个数据框中哪些列含有缺失值：

df = pd.DataFrame({ 'V1': [1, 2, None, 4], 'V2': [1, 2, 3, 4], 'V3': [None, 1, 2, 3] }) df.apply(lambda s: s.hasnans)

图11 2.6 使用rank()计算排名时的五种策略

　　在pandas中我们可以利用rank()方法计算某一列数据对应的排名信息，但在rank()中有参数method来控制具体的结果计算策略，有以下5种策略，在具体使用的时候要根据需要灵活选择：

average

　　在average策略下，相同数值的元素的排名是其内部排名的均值：

s = pd.Series([1, 2, 2, 2, 3, 4, 4, 5, 6]) s.rank(method='average')

图12

min

　　在min策略下，相同元素的排名为其内部排名的最小值：

s.rank(method='min')

图13

max

　　max策略与min正好相反，取的是相同元素内部排名的最大值：

s.rank(method='max')

图14

dense

　　在dense策略下，相当于对序列去重后进行排名，再将每个元素的排名赋给相同的每个元素，这种方式也是比较贴合实际需求的：

s.rank(method='dense')

图15

first

　　在first策略下，当多个元素相同时，会根据这些相同元素在实际Series中的顺序分配排名：

s = pd.Series([2, 2, 2, 1, 3]) s.rank(method='first')

图16

　　关于pandas还有很多实用的小知识，以后会慢慢给大家不定期分享~欢迎在评论区与我进行讨论