Question

我有一个 Julia 矩阵（当然，如果有帮助的话，我可以将其制作成数据框）并且我想删除所有具有 NaN 值的行和列。谷歌似乎没有帮助。在熊猫中这是微不足道的：df.dropna().dropna(axis=1)

Answer 1

这是 DataFrames.jl 的答案。要删除具有缺失值的行和列，请分别执行以下操作：

julia> using DataFrames

julia> df = DataFrame(a=[1, 2, missing], b=[1, missing, 3], c=[1, 2, 3])
3×3 DataFrame
 Row │ a        b        c
     │ Int64?   Int64?   Int64
─────┼─────────────────────────
   1 │       1        1      1
   2 │       2  missing      2
   3 │ missing        3      3

julia> dropmissing(df)
1×3 DataFrame
 Row │ a      b      c
     │ Int64  Int64  Int64
─────┼─────────────────────
   1 │     1      1      1

julia> df[all.(!ismissing, eachrow(df)), :] # the same using 2-dimensional indexing
1×3 DataFrame
 Row │ a       b       c
     │ Int64?  Int64?  Int64
─────┼───────────────────────
   1 │      1       1      1

julia> select(df, all.(!ismissing, eachcol(df)))
3×1 DataFrame
 Row │ c
     │ Int64
─────┼───────
   1 │     1
   2 │     2
   3 │     3

julia> df[:, all.(!ismissing, eachcol(df))] # the same using 2-dimensional indexing
3×1 DataFrame
 Row │ c
     │ Int64
─────┼───────
   1 │     1
   2 │     2
   3 │     3

请注意，删除行比删除列要容易得多。原因是 DataFrames.jl 中的设计决策是大多数函数将数据帧视为行的集合，dropmissing 函数就是这种情况的一个示例。

主要的例外是：

索引（总是二维的）
select、transform 和 combine 函数适用于列

对于矩阵，这是类似的，但由于它们不像数据框那样支持行而不是列，因此您可以这样做，例如：

julia> mat = Matrix(df)
3×3 Array{Union{Missing, Int64},2}:
 1         1         1
 2          missing  2
  missing  3         3

julia> mat[all.(!ismissing, eachrow(df)), :]
1×3 Array{Union{Missing, Int64},2}:
 1  1  1

julia> mat[:,  all.(!ismissing, eachcol(df))]
3×1 Array{Union{Missing, Int64},2}:
 1
 2
 3

Julia 中熊猫“dropna”的类似物

1 个答案: