Метод notna

Метод notna применяется к DataFrame и возвращает таблицу того же размера, но с булевыми значениями True и False. Значение True ставится там, где элемент не является пропущенным. Пропущенными считаются значения NaN, None и NaT. Данный метод является противоположностью метода isna.

Метод не принимает параметров.

Синтаксис

df.notna()

Пример

Давайте проверим значения в таблице на не пропущенные:

import pandas as pd
import numpy as np

df = pd.DataFrame({
	'a': [1, np.nan, 3],
	'b': [np.nan, 5, 6]
})
res = df.notna()
print(res)

Результат выполнения кода:

   a	  b
		0   True  False
		1  False   True
		2   True   True

Пример

Давайте отфильтруем строки таблицы, в которых нет пропусков, с помощью метода notna и метода all:

import pandas as pd
import numpy as np

df = pd.DataFrame({
	'a': [1, 2, np.nan],
	'b': [4, np.nan, 6],
	'c': [7, 8, 9]
})
res = df[df.notna().all(axis=1)]
print(res)

Результат выполнения кода:

 a	b  c
		0  1.0  4.0  7

Пример

Давайте подсчитаем количество не пропущенных значений в каждом столбце с помощью метода notna и метода sum:

import pandas as pd
import numpy as np

df = pd.DataFrame({
	'a': [1, np.nan, 3],
	'b': [np.nan, 5, 6]
})
res = df.notna().sum()
print(res)

Результат выполнения кода:

a	2
b	2
dtype: int64

Пример

Давайте заменим пропущенные значения на 0, а не пропущенные оставим без изменений:

import pandas as pd
import numpy as np

df = pd.DataFrame({
	'a': [1, np.nan, 3],
	'b': [np.nan, 5, 6]
})
res = df.where(df.notna(), 0)
print(res)

Результат выполнения кода:

 a	b
		0  1.0  0.0
		1  0.0  5.0
		2  3.0  6.0

Смотрите также

метод isna,
который проверяет значения на пропущенные
метод dropna,
который удаляет строки с пропусками
метод fillna,
который заменяет пропущенные значения
метод interpolate,
который интерполирует пропущенные значения