Pandas 在数据框中查找值为NaN的行的整数索引
在本文中，我们将介绍如何在Pandas数据框中查找值为NaN的行的整数索引。NaN是一个特殊的数值，表示“Not a Number”，经常用于表示缺失数据或不可用数据。在处理大量数据时，经常会出现NaN的情况。因此，在数据分析中，查找NaN的位置以及相关信息是非常重要的。
阅读更多：
Pandas 教程
生成一个模拟数据框
为了演示如何查找NaN的行，我们首先需要生成一个包含NaN值的数据框。我们可以使用numpy库和pandas库生成一个5行5列的数据框，并使用numpy.random.rand()方法将其中的某些值设置为NaN。
import numpy as np
import pandas as pd
np.random.seed(0)
df = pd.DataFrame(np.random.rand(5, 5))
df.iloc[1, 2] = np.nan
df.iloc[3, 4] = np.nan
通过上述代码，我们可得到以下数据框。
查找值为NaN的所有行的整数索引
如果我们想要查找所有包含NaN值的行的整数索引，我们可以使用isna()方法，该方法返回一个布尔型的数据框。其中True表示对应的位置是NaN值，False表示不是NaN值。然后，我们可以使用any()方法，将每行的结果进行逻辑或运算，得到该行是否包含NaN值的结果。
nan_rows = df.isna().any(axis=1)
index_with_nan = df.index[nan_rows]
上述代码的第一行使用了any()方法的axis参数，其值为1，即表示对每行执行any()方法。执行以上代码后，nan_rows是一个包含布尔值的Series，表示整个数据框中哪些行包含NaN值。第二行的代码使用了index属性和布尔索引，从而获取了所有包含NaN值的行的整数索引。
最终，我们可以得到如下结果：
>>> print(nan_rows)
0 False
1 True
2 False
3 True
4 False
dtype: bool
>>> print(index_with_nan)
Int64Index([1, 3], dtype='int64')
以上代码显示，第一行的结果表示第1行和第3行包含NaN值，而第二行的结果则是包含NaN值的行的整数索引。
查找值为NaN的所有列的整数索引
在处理数据时，有时候可能需要查找所有包含NaN值的列的整数索引。此时，我们可以使用any()方法的axis参数，将其值设置为0。
nan_cols = df.isna().any(axis=0)
index_with_nan = df.columns[nan_cols]
上述代码的第一行使用了any()方法的axis参数，其值为0，即表示对每列执行any()方法。执行以上代码后，nan_cols是一个包含布尔值的Series，表示整个数据框中哪些列包含NaN值。第二行的代码使用了columns属性和布尔索引，从而获取了所有包含NaN值的列的整数索引。
最终，我们可以得到如下结果：
>>> print(nan_cols)
0 False
1 False
2 True
3 False
4 True
dtype: bool
>>> print(index_with_nan)
Int64Index([2, 4], dtype='int64')
以上代码显示，第一行的结果表示第3列和第5列包含NaN值，而第二行的结果则是包含NaN值的列的整数索引。
查找每行/每列的NaN值个数
除了查找包含NaN值的位置，有时候也需要知道每行/每列的NaN值个数及其相关信息。此时，我们可以使用sum()方法来求出每行/每列的NaN值个数，并使用sort_values()方法对其进行排序。
# 每行的NaN值个数及其相关信息
nan_count = df.isna().sum(axis=1).sort_values(ascending=False)
print(nan_count)
# 每列的NaN值个数及其相关信息
nan_count = df.isna().sum(axis=0).sort_values(ascending=False)
print(nan_count)
上述代码中，第一行使用了sum()方法的axis参数，其值为1，即表示对每行执行sum()方法，求出每行的NaN值个数。同时，使用sort_values()方法对结果进行排序，让结果按照NaN值从大到小的顺序排列。第二行的代码则是使用sum()方法的axis参数，其值为0，即表示对每列执行sum()方法。
