【Pandas】pandas DataFrame notna

Pandas2.2 DataFrame

Missing data handling

方法	描述
DataFrame.fillna( $value, method, axis, ...$ )	用于填充 DataFrame 中的缺失值（NaN）
DataFrame.backfill(* $, axis, inplace, ...$ )	用于使用后向填充（即"下一个有效观测值"）来填补缺失值（NaN）的方法
DataFrame.bfill(* $, axis, inplace, limit, ...$ )	用于使用后向填充（即"下一个有效观测值"）来填补缺失值（NaN）的方法
DataFrame.dropna(* $, axis, how, thresh, ...$ )	用于删除包含缺失值（NaN）的行或列的方法
DataFrame.ffill(* $, axis, inplace, limit, ...$ )	用于使用前向填充（即"前一个有效观测值"）来填补缺失值（NaN）的方法
DataFrame.interpolate( $method, axis, limit, ...$ )	用于对缺失值（NaN）进行插值填充的方法
DataFrame.isna()	用于检测 DataFrame 中缺失值（NaN）的位置的方法
DataFrame.isnull()	用于检测 DataFrame 中缺失值（NaN）的位置的方法
DataFrame.notna()	用于检测 DataFrame 中非缺失值（即不是 NaN）的位置的方法

`pandas.DataFrame.notna()`

pandas.DataFrame.notna() 是一个用于检测 DataFrame 中非缺失值（即不是 NaN）的位置 的方法。它返回一个新的布尔型 DataFrame，其中每个元素表示对应位置的值是否为非空值（not NaN）。

📌 方法签名

python 复制代码

DataFrame.notna()

✅ 返回值

返回一个与原 DataFrame 形状相同的布尔型 DataFrame；
若某个位置是非空值 （即不是 NaN），则对应位置为 True；
否则为 False。

该方法不会修改原始数据。

❌ 注意事项

notna() 不支持参数；
它仅用于检测 NaN，不识别 None 或其他空值（如空字符串、0 等）；
notna() 与 isna() / isnull() 完全相反；
常用于过滤掉缺失值或统计有效值数量。

🧪 示例代码及结果

示例 1：基本用法

python 复制代码

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'A': [1, np.nan, 3],
    'B': [np.nan, 2, np.nan],
    'C': [5, 6, 7]
})

print("Original DataFrame:")
print(df)

# 检测非空值位置
df_notna = df.notna()
print("\nAfter notna():")
print(df_notna)

输出结果：

复制代码

Original DataFrame:
     A    B  C
0  1.0  NaN  5
1  NaN  2.0  6
2  3.0  NaN  7

After notna():
      A      B     C
0  True  False  True
1  False  True  True
2  True  False  True

示例 2：统计每列的有效值数量

python 复制代码

# 统计每列非空值的数量
valid_count = df.notna().sum()
print("\nValid value count per column:")
print(valid_count)

输出结果：

复制代码

Valid value count per column:
A    2
B    1
C    3
dtype: int64

示例 3：统计整个 DataFrame 中的有效值总数

python 复制代码

total_valid = df.notna().sum().sum()
print(f"\nTotal valid values: {total_valid}")

输出结果：

复制代码

Total valid values: 6

示例 4：筛选出所有非空行（即整行都没有 NaN）

python 复制代码

# 筛选整行都非空的行
full_rows = df[df.notna().all(axis=1)]
print("\nRows with no missing values:")
print(full_rows)

输出结果：

复制代码

Rows with no missing values:
   A    B  C

因为没有任何一行是全部非空的，所以输出为空。

示例 5：筛选出至少有一个非空值的行

python 复制代码

# 筛选至少有一个非空值的行
some_valid_rows = df[df.notna().any(axis=1)]
print("\nRows with at least one valid value:")
print(some_valid_rows)

输出结果：

复制代码

Rows with at least one valid value:
     A    B  C
0  1.0  NaN  5
1  NaN  2.0  6
2  3.0  NaN  7

🧠 应用场景

场景	说明
查看有效值分布	快速了解哪些位置有有效数据
统计有效值数量	结合 `sum()` 计算每列/行的有效值个数
过滤含缺失值的行/列	使用 `df.notna().all(axis=1)` 配合布尔索引
预处理流程的一部分	判断某列是否适合填充或删除

⚠️ 补充说明

notna() 与 isna() / isnull() 完全互为反义操作；
对于非浮点类型列（如字符串、整数），若含有 NaN，也会被标记为 False；
如果你希望将 None 视为 NaN，可以先使用 df.replace([None], np.nan) 转换。

✅ 总结对比

方法	是否推荐使用	说明
`notna()`	✅ 推荐	更直观地表达"是否为有效值"
`~isna()`	✅ 推荐	与 `notna()` 等价，可用于取反操作
`~isnull()`	✅ 推荐	与 `notna()` 等价，兼容性考虑

你可以将 notna() 作为日常数据清洗的重要工具之一，尤其在需要保留完整记录 或统计有效数据量时非常有用。