# 缺失值是指数据集中的某些观测存在遗漏的指标值，缺失值的存在同样会影响到数据分析和挖掘的结果。
# 可以采三种方法处置：删除法，替换法和插补法。
# 1.删除法使用情况：当确实的观测比例非常低是，如5%以内，可以直接删除这些缺失的变量。
#
# 2.替换法：用某种直接替换缺失值，例如，对连续变量而言，可以使用均值或中位数替换，对于离散型变量，可以使用众数替换。
#
# 3.插补法：是指根据其他非确实的变量或观测来预测缺失值，常用的插补法有回归插补法，K近邻法，拉格朗日插补法等。
# 删除缺失值
DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
'''
函数作用：删除含有空值的行或列
axis:维度，axis=0表示index行,axis=1表示columns列，默认为0
how:"all"表示这一行或列中的元素全部缺失（为nan）才删除这一行或列，"any"表示这一行或列中只要有元素缺失，就删除这一行或列
thresh:一行或一列中至少出现了thresh个才删除。
subset：在某些列的子集中选择出现了缺失值的列删除，不在子集中的含有缺失值得列或行不会删除（有axis决定是行还是列）
inplace：刷选过缺失值得新数据是存为副本还是直接在原数据上进行修改。
'''
# 填充缺失值
DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)
'''
函数作用：填充缺失值
value:需要用什么值去填充缺失值
axis:确定填充维度，从行开始或是从列开始
method：ffill:用缺失值前面的一个值代替缺失值，如果axis =1，那么就是横向的前面的值替换后面的缺失值，如果axis=0，那么则是上面的值替换下面的缺失值。backfill/bfill，缺失值后面的一个值代替前面的缺失值。注意这个参数不能与value同时出现
limit:确定填充的个数，如果limit=2，则只填充两个缺失值。
'''
# 判断缺失值
DataFrame.isna()
DataFrame.notna()
