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
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
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：
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
# 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：
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
total_valid = df.notna().sum().sum()
print(f"\nTotal valid values: {total_valid}")输出结果：
Total valid values: 6示例 4：筛选出所有非空行（即整行都没有 NaN）
python
# 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：
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
# 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：
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。