Лучший способ подсчета количества строк с отсутствующими значениями в pandas DataFrame

Ответ 1

Для второго счета я думаю, просто вычтите количество строк из числа строк, возвращаемых из dropna:

In [14]:

from numpy.random import randn
df = pd.DataFrame(randn(5, 3), index=['a', 'c', 'e', 'f', 'h'],
               columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
df
Out[14]:
        one       two     three
a -0.209453 -0.881878  3.146375
b       NaN       NaN       NaN
c  0.049383 -0.698410 -0.482013
d       NaN       NaN       NaN
e -0.140198 -1.285411  0.547451
f -0.219877  0.022055 -2.116037
g       NaN       NaN       NaN
h -0.224695 -0.025628 -0.703680
In [18]:

df.shape[0] - df.dropna().shape[0]
Out[18]:
3

Первое может быть достигнуто с использованием встроенных методов:

In [30]:

df.isnull().values.ravel().sum()
Out[30]:
9

Задержка

In [34]:

%timeit sum([True for idx,row in df.iterrows() if any(row.isnull())])
%timeit df.shape[0] - df.dropna().shape[0]
%timeit sum(map(any, df.apply(pd.isnull)))
1000 loops, best of 3: 1.55 ms per loop
1000 loops, best of 3: 1.11 ms per loop
1000 loops, best of 3: 1.82 ms per loop
In [33]:

%timeit sum(df.isnull().values.ravel())
%timeit df.isnull().values.ravel().sum()
%timeit df.isnull().sum().sum()
1000 loops, best of 3: 215 µs per loop
1000 loops, best of 3: 210 µs per loop
1000 loops, best of 3: 605 µs per loop

Итак, мои альтернативы немного быстрее для df этого размера

Обновление

Итак, для df с 80 000 строк я получаю следующее:

In [39]:

%timeit sum([True for idx,row in df.iterrows() if any(row.isnull())])
%timeit df.shape[0] - df.dropna().shape[0]
%timeit sum(map(any, df.apply(pd.isnull)))
%timeit np.count_nonzero(df.isnull())
1 loops, best of 3: 9.33 s per loop
100 loops, best of 3: 6.61 ms per loop
100 loops, best of 3: 3.84 ms per loop
1000 loops, best of 3: 395 µs per loop
In [40]:

%timeit sum(df.isnull().values.ravel())
%timeit df.isnull().values.ravel().sum()
%timeit df.isnull().sum().sum()
%timeit np.count_nonzero(df.isnull().values.ravel())
1000 loops, best of 3: 675 µs per loop
1000 loops, best of 3: 679 µs per loop
100 loops, best of 3: 6.56 ms per loop
1000 loops, best of 3: 368 µs per loop

Фактически np.count_nonzero выигрывает эти руки.

Ответ 2

Как насчет numpy.count_nonzero:

 np.count_nonzero(df.isnull().values)   
 np.count_nonzero(df.isnull())           # also works  

count_nonzero довольно быстро. Тем не менее, я построил dataframe из массива (1000,1000) и случайным образом вставил 100 нм значений в разных положениях и измерил времена различных ответов в iPython:

%timeit np.count_nonzero(df.isnull().values)
1000 loops, best of 3: 1.89 ms per loop

%timeit df.isnull().values.ravel().sum()
100 loops, best of 3: 3.15 ms per loop

%timeit df.isnull().sum().sum()
100 loops, best of 3: 15.7 ms per loop

Не огромное улучшение времени по сравнению с оригиналом OPs, но, возможно, менее запутанное в коде, ваше решение. На время выполнения нет никакой разницы между двумя методами count_nonzero (с и без .values).

Ответ 3

Простой подход к подсчету отсутствующих значений в строках или столбцах

df.apply(lambda x: sum(x.isnull().values), axis = 0) # For columns
df.apply(lambda x: sum(x.isnull().values), axis = 1) # For rows

Число строк с хотя бы одним отсутствующим значением:

sum(df.apply(lambda x: sum(x.isnull().values), axis = 1)>0)

Ответ 4

Общее количество отсутствующих:

df.isnull().sum().sum()

Строки с отсутствующими:

sum(map(any, df.isnull()))

Ответ 5

Здесь так много неправильных ответов. OP запросил количество строк с нулевыми значениями, а не столбцами.

Вот лучший пример:

from numpy.random import randn
df = pd.DataFrame(randn(5, 3), index=['a', 'c', 'e', 'f', 'h'],columns=['one','two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h','asdf'])
print(df)

`Теперь существует, очевидно, 4 строки с нулевыми значениями.

           one       two     three
a    -0.571617  0.952227  0.030825
b          NaN       NaN       NaN
c     0.627611 -0.462141  1.047515
d          NaN       NaN       NaN
e     0.043763  1.351700  1.480442
f     0.630803  0.931862  1.500602
g          NaN       NaN       NaN
h     0.729103 -1.198237 -0.207602
asdf       NaN       NaN       NaN

Вы получили бы ответ как 3 (количество столбцов с NaN), если бы вы использовали некоторые ответы здесь. Ответ Фуэнтеса работает.

Вот как я его получил:

df.isnull().any(axis=1).sum()
#4
timeit df.isnull().any(axis=1).sum()
#10000 loops, best of 3: 193 µs per loop

'Фуэнтес':

sum(df.apply(lambda x: sum(x.isnull().values), axis = 1)>0)
#4
timeit sum(df.apply(lambda x: sum(x.isnull().values), axis = 1)>0)
#1000 loops, best of 3: 677 µs per loop

Ответ 6

sum(df.count(axis=1) < len(df.columns)), число строк с меньшим количеством ненулевых значений, чем столбцы.

Например, следующий фрейм данных имеет две строки с отсутствующими значениями.

>>> df = pd.DataFrame({"a":[1, None, 3], "b":[4, 5, None]})
>>> df
    a   b
0   1   4
1 NaN   5
2   3 NaN
>>> df.count(axis=1)
0    2
1    1
2    1
dtype: int64
>>> df.count(axis=1) < len(df.columns)
0    False
1     True
2     True
dtype: bool
>>> sum(df.count(axis=1) < len(df.columns))
2

Ответ 7

Я думаю, что если вы просто хотите посмотреть результат, есть pandas func pandas.DataFrame.count.

Итак, вернемся к этой теме, используя df.count(axis=1), и u получит результат следующим образом:

a    3
b    0
c    3
d    0
e    3
f    3
g    0
h    3
dtype: int64

Он расскажет вам, сколько не-NaN-параметров в каждой строке. В то же время, -(df.count(axis=1) - df.shape[1]) указывает

a    0
b    3
c    0
d    3
e    0
f    0
g    3
h    0
dtype: int64