Python 如何删除缺少至少20%值的列

是否有一种有效的方法来删除缺失值至少为20%的列

假设我的数据帧如下所示：

   A      B      C      D
0  sg     hh     1      7
1  gf                   9
2  hh                   10
3  dd                   8
4                       6 
5  y                    8`

删除列后，dataframe如下所示：

   A       D
0  sg      7
1  gf      9
2  hh      10
3  dd      8
4          6 
5  y       8`

---

您可以在

列

上使用

布尔索引

，其中

notnull

值的计数大于

80%

：

df.loc[:, pd.notnull(df).sum()>len(df)*.8]

这在许多情况下都很有用，例如，删除值数量大于

1

的列：

df.loc[:, (df > 1).sum() > len(df) *. 8]

或者，对于

.dropna（）

案例，您还可以指定

.dropna（）

的

thresh

关键字，如@EdChum所示：

df.dropna(thresh=0.8*len(df), axis=1)

后者将略快一些：

df = pd.DataFrame(np.random.random((100, 5)), columns=list('ABCDE'))
for col in df:
    df.loc[np.random.choice(list(range(100)), np.random.randint(10, 30)), col] = np.nan

%timeit df.loc[:, pd.notnull(df).sum()>len(df)*.8]
1000 loops, best of 3: 716 µs per loop

%timeit df.dropna(thresh=0.8*len(df), axis=1)
1000 loops, best of 3: 537 µs per loop

您可以调用并传递

thresh

值，以删除不符合阈值条件的列：

In [10]:    
frac = len(df) * 0.8
df.dropna(thresh=frac, axis=1)

Out[10]:
     A   D
0   sg   7
1   gf   9
2   hh  10
3   dd   8
4  NaN   6
5    y   8

---

可以使用df.isnull（），它将返回相同大小的布尔df/序列。求结果每列的行数之和，然后除以总行数？然后适当地删除列。在上述两种方法中，哪一种效率更高？

。dropna（）

会更快一些。