Como contar os valores de NaN em uma coluna no DataFrame do pandas

Eu tenho dados, nos quais eu quero encontrar o número de NaN, para que, se for menor que algum limite, eu soltarei essas colunas. Eu olhei, mas não consegui encontrar nenhuma função para isso. existe value_counts, mas seria lento para mim, porque a maioria dos valores é distinta e eu quero NaNapenas contar .

Você pode usar o isna()método (ou seu apelido, isnull()que também é compatível com versões anteriores do pandas <0.21.0) e depois somar para contar os valores de NaN. Para uma coluna:

In [1]: s = pd.Series([1,2,3, np.nan, np.nan])

In [4]: s.isna().sum()   # or s.isnull().sum() for older pandas versions
Out[4]: 2

Para várias colunas, também funciona:

In [5]: df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

In [6]: df.isna().sum()
Out[6]:
a    1
b    2
dtype: int64

Você pode subtrair o comprimento total da contagem de valores que não são nan:

count_nan = len(df) - df.count()

Você deve cronometrar seus dados. Para séries pequenas, a velocidade é 3x em comparação com a isnullsolução.

Vamos supor que dfseja um DataFrame de pandas.

Então,

df.isnull().sum(axis = 0)

Isso fornecerá o número de valores de NaN em todas as colunas.

Se você precisar, valores de NaN em todas as linhas,

df.isnull().sum(axis = 1)

Com base na resposta mais votada, podemos definir facilmente uma função que nos fornece um quadro de dados para visualizar os valores ausentes e a porcentagem de valores ausentes em cada coluna:

def missing_values_table(df):
        mis_val = df.isnull().sum()
        mis_val_percent = 100 * df.isnull().sum() / len(df)
        mis_val_table = pd.concat([mis_val, mis_val_percent], axis=1)
        mis_val_table_ren_columns = mis_val_table.rename(
        columns = {0 : 'Missing Values', 1 : '% of Total Values'})
        mis_val_table_ren_columns = mis_val_table_ren_columns[
            mis_val_table_ren_columns.iloc[:,1] != 0].sort_values(
        '% of Total Values', ascending=False).round(1)
        print ("Your selected dataframe has " + str(df.shape[1]) + " columns.\n"      
            "There are " + str(mis_val_table_ren_columns.shape[0]) +
              " columns that have missing values.")
        return mis_val_table_ren_columns

Desde o pandas 0.14.1, minha sugestão aqui para ter um argumento de palavra-chave no método value_counts foi implementada:

import pandas as pd
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})
for col in df:
    print df[col].value_counts(dropna=False)

2     1
 1     1
NaN    1
dtype: int64
NaN    2
 1     1
dtype: int64

se apenas contando os valores nan em uma coluna de pandas aqui é uma maneira rápida

import pandas as pd
## df1 as an example data frame 
## col1 name of column for which you want to calculate the nan values
sum(pd.isnull(df1['col1']))

Se você estiver usando o Jupyter Notebook, que tal ....

 %%timeit
 df.isnull().any().any()

ou

 %timeit 
 df.isnull().values.sum()

ou há algum NaNs nos dados; se sim, onde?

 df.isnull().any()

O abaixo imprimirá todas as colunas Nan em ordem decrescente.

df.isnull().sum().sort_values(ascending = False)

ou

O abaixo imprimirá as primeiras 15 colunas Nan em ordem decrescente.

df.isnull().sum().sort_values(ascending = False).head(15)

import numpy as np
import pandas as pd

raw_data = {'first_name': ['Jason', np.nan, 'Tina', 'Jake', 'Amy'], 
        'last_name': ['Miller', np.nan, np.nan, 'Milner', 'Cooze'], 
        'age': [22, np.nan, 23, 24, 25], 
        'sex': ['m', np.nan, 'f', 'm', 'f'], 
        'Test1_Score': [4, np.nan, 0, 0, 0],
        'Test2_Score': [25, np.nan, np.nan, 0, 0]}
results = pd.DataFrame(raw_data, columns = ['first_name', 'last_name', 'age', 'sex', 'Test1_Score', 'Test2_Score'])

results 
'''
  first_name last_name   age  sex  Test1_Score  Test2_Score
0      Jason    Miller  22.0    m          4.0         25.0
1        NaN       NaN   NaN  NaN          NaN          NaN
2       Tina       NaN  23.0    f          0.0          NaN
3       Jake    Milner  24.0    m          0.0          0.0
4        Amy     Cooze  25.0    f          0.0          0.0
'''

Você pode usar a seguinte função, que fornecerá saída no Dataframe

• Zero Values
• Valores em falta
• % do total de valores
• Total de valores ausentes em zero
• % Total de zero valores ausentes
• Tipo de dados

Basta copiar e colar a seguinte função e chamá-la passando o Dataframe do seu panda

def missing_zero_values_table(df):
        zero_val = (df == 0.00).astype(int).sum(axis=0)
        mis_val = df.isnull().sum()
        mis_val_percent = 100 * df.isnull().sum() / len(df)
        mz_table = pd.concat([zero_val, mis_val, mis_val_percent], axis=1)
        mz_table = mz_table.rename(
        columns = {0 : 'Zero Values', 1 : 'Missing Values', 2 : '% of Total Values'})
        mz_table['Total Zero Missing Values'] = mz_table['Zero Values'] + mz_table['Missing Values']
        mz_table['% Total Zero Missing Values'] = 100 * mz_table['Total Zero Missing Values'] / len(df)
        mz_table['Data Type'] = df.dtypes
        mz_table = mz_table[
            mz_table.iloc[:,1] != 0].sort_values(
        '% of Total Values', ascending=False).round(1)
        print ("Your selected dataframe has " + str(df.shape[1]) + " columns and " + str(df.shape[0]) + " Rows.\n"      
            "There are " + str(mz_table.shape[0]) +
              " columns that have missing values.")
#         mz_table.to_excel('D:/sampledata/missing_and_zero_values.xlsx', freeze_panes=(1,0), index = False)
        return mz_table

missing_zero_values_table(results)

Resultado

Your selected dataframe has 6 columns and 5 Rows.
There are 6 columns that have missing values.

             Zero Values  Missing Values  % of Total Values  Total Zero Missing Values  % Total Zero Missing Values Data Type
last_name              0               2               40.0                          2                         40.0    object
Test2_Score            2               2               40.0                          4                         80.0   float64
first_name             0               1               20.0                          1                         20.0    object
age                    0               1               20.0                          1                         20.0   float64
sex                    0               1               20.0                          1                         20.0    object
Test1_Score            3               1               20.0                          4                         80.0   float64

Se você deseja simplificar, pode usar a seguinte função para obter valores ausentes em%

def missing(dff):
    print (round((dff.isnull().sum() * 100/ len(dff)),2).sort_values(ascending=False))


missing(results)
'''
Test2_Score    40.0
last_name      40.0
Test1_Score    20.0
sex            20.0
age            20.0
first_name     20.0
dtype: float64
'''

Para contar zeros:

df[df == 0].count(axis=0)

Para contar NaN:

df.isnull().sum()

ou

df.isna().sum()

Você pode usar o método value_counts e imprimir valores de np.nan

s.value_counts(dropna = False)[np.nan]

Use abaixo para uma contagem específica de colunas

dataframe.columnName.isnull().sum()

df1.isnull().sum()

Isto irá fazer o truque.

Aqui está o código para contar Nullvalores na coluna:

df.isna().sum()

Há um bom artigo do Dzone de julho de 2017 que detalha várias maneiras de resumir os valores de NaN. Confira aqui .

O artigo que citei fornece um valor adicional: (1) Mostrando uma maneira de contar e exibir as contagens de NaN para cada coluna, para que você possa decidir facilmente se deve ou não descartar essas colunas; (2) Demonstrando uma maneira de selecionar essas linhas em específicos que possuem NaNs para que possam ser descartados ou imputados seletivamente.

Aqui está um exemplo rápido para demonstrar a utilidade da abordagem - com apenas algumas colunas, talvez sua utilidade não seja óbvia, mas achei que seria útil para quadros de dados maiores.

import pandas as pd
import numpy as np

# example DataFrame
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

# Check whether there are null values in columns
null_columns = df.columns[df.isnull().any()]
print(df[null_columns].isnull().sum())

# One can follow along further per the cited article

Uma outra opção simples ainda não sugerida, apenas para contar NaNs, seria adicionar a forma para retornar o número de linhas com NaN.

df[df['col_name'].isnull()]['col_name'].shape

df.isnull (). sum () fornecerá a soma em coluna dos valores ausentes.

Se você deseja saber a soma dos valores ausentes em uma coluna específica, o código a seguir funcionará df.column.isnull (). Sum ()

com base na resposta que foi dada e algumas melhorias, esta é a minha abordagem

def PercentageMissin(Dataset):
    """this function will return the percentage of missing values in a dataset """
    if isinstance(Dataset,pd.DataFrame):
        adict={} #a dictionary conatin keys columns names and values percentage of missin value in the columns
        for col in Dataset.columns:
            adict[col]=(np.count_nonzero(Dataset[col].isnull())*100)/len(Dataset[col])
        return pd.DataFrame(adict,index=['% of missing'],columns=adict.keys())
    else:
        raise TypeError("can only be used with panda dataframe")

Caso você precise obter as contagens não-NA (não-Nenhuma) e NA (Nenhuma) entre os diferentes grupos, retiradas por grupo por:

gdf = df.groupby(['ColumnToGroupBy'])

def countna(x):
    return (x.isna()).sum()

gdf.agg(['count', countna, 'size'])

Isso retorna as contagens de não NA, NA e número total de entradas por grupo.

Usei a solução proposta por @sushmit no meu código.

Uma possível variação do mesmo também pode ser

colNullCnt = []
for z in range(len(df1.cols)):
    colNullCnt.append([df1.cols[z], sum(pd.isnull(trainPd[df1.cols[z]]))])

A vantagem disso é que ele retorna o resultado para cada uma das colunas no df a partir de agora.

import pandas as pd
import numpy as np

# example DataFrame
df = pd.DataFrame({'a':[1,2,np.nan], 'b':[np.nan,1,np.nan]})

# count the NaNs in a column
num_nan_a = df.loc[ (pd.isna(df['a'])) , 'a' ].shape[0]
num_nan_b = df.loc[ (pd.isna(df['b'])) , 'b' ].shape[0]

# summarize the num_nan_b
print(df)
print(' ')
print(f"There are {num_nan_a} NaNs in column a")
print(f"There are {num_nan_b} NaNs in column b")

Dá como saída:

     a    b
0  1.0  NaN
1  2.0  1.0
2  NaN  NaN

There are 1 NaNs in column a
There are 2 NaNs in column b

Suponha que você queira obter o número de valores ausentes (NaN) em uma coluna (série) conhecida como preço em um dataframe chamado reviews

#import the dataframe
import pandas as pd

reviews = pd.read_csv("../input/wine-reviews/winemag-data-130k-v2.csv", index_col=0)

Para obter os valores ausentes, com n_missing_prices como a variável, faça

n_missing_prices = sum(reviews.price.isnull())
print(n_missing_prices)

sum é o método-chave aqui, estava tentando usar count antes que eu percebesse que sum é o método certo a ser usado neste contexto

https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.count.html#pandas.Series.count

pandas.Series.count
Series.count(level=None)[source]

Número de retorno de observações não-NA / nulas na série

Para sua tarefa, você pode usar pandas.DataFrame.dropna ( https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html ):

import pandas as pd
import numpy as np

df = pd.DataFrame({'a': [1, 2, 3, 4, np.nan],
                   'b': [1, 2, np.nan, 4, np.nan],
                   'c': [np.nan, 2, np.nan, 4, np.nan]})
df = df.dropna(axis='columns', thresh=3)

print(df)

Com o parâmetro thresh, você pode declarar a contagem máxima de valores de NaN para todas as colunas no DataFrame.

Saídas de código:

     a    b
0  1.0  1.0
1  2.0  2.0
2  3.0  NaN
3  4.0  4.0
4  NaN  NaN