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)
答案 0 :(得分:4)
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:
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