数据准备中 5 个常见的 Python 陷阱
Python 是一种强大的数据准备语言，但也有一些不足 人们可能会遇到的常见错误或陷阱。 在这篇博文中，我将 讨论人们在使用时遇到的五个最常见问题 Python 用于数据准备。
1.将缺失值 (`NaN`) 视为 false。
False、None 和 0（任何数字类型）均计算为 False。
这组对象和值被称为“假”，并且会 评估为假。 NaN 或缺失值不是假值，因此 不会评估为 false。这可能会导致许多操作出现混乱和意外行为。
2.尝试比较缺失值
NaN == NaN 将返回 true 似乎很简单。两个值“看起来”相同。
但是，由于不可能知道两个缺失值是否相同，因此此操作将始终返回 false。
3.认为 all() 仅当所有元素都为 true 时才返回 true。
如果可迭代的所有元素都为 true（或者如果可迭代对象为空）。
不要将其视为“如果 iterable 都是 true，”而是“如果没有 false，则返回 true 可迭代对象中的元素。”
当可迭代对象为空时，其中不能有 false 元素，这意味着 all([]) 的计算结果为 True。
4。转换为 bool 值
Pandas 遵循 numpy 约定，当你 尝试将某些内容转换为布尔值。这发生在 if 或使用时 布尔运算，and，or，or not。
尚不清楚结果应该是什么。应该是真的吗 因为它不是零长度？ False，因为存在 False 值？
尚不清楚，所以 Pandas 会引发 ValueError
ValueError：系列的真值不明确。
使用 a.empty、a.bool() a.item()、a.any() 或 a.all()。
5。了解 isin() 运算的结果。
isin() 运算返回一个布尔系列，显示 Series 中的每个元素是否完全包含在传递的 值序列。
s = pd.Series(['dog', 'cat', 'fish']) >>> s.isin(['bird']) 0 False 1 False 2 False dtype: bool
请注意该系列中不存在“鸟”。
>>> s.isin(['bird', 'cat']) 0 False 1 True 2 False dtype: bool
注意“猫”确实存在于该系列的第二个值中。
python-for-data-preparation">了解有关使用 Python 进行数据准备的更多信息
Python 是一种强大的语言，但周围可能会出现混乱 缺失值和布尔值。 请记住，缺失值是 被认为是错误的，无法进行比较。
使用 all() 方法时，请记住它会返回 当迭代中没有 false 值时为 true。 如果所有值都是 缺失，就像空数组的情况一样，all() 也会返回 true，因为缺失值不被视为 false。
如果您在尝试转换为 bool 值时收到 ValueError，请务必采纳有用的建议并使用建议的方法之一。
以上就是数据准备中 5 个常见的 Python 陷阱的详细内容，更多请关注其它相关文章！