我有一个像这样的熊猫数据框：
a b
2011-01-01 00:00:00 1.883381 -0.416629
2011-01-01 01:00:00 0.149948 -1.782170
2011-01-01 02:00:00 -0.407604 0.314168
2011-01-01 03:00:00 1.452354 NaN
2011-01-01 04:00:00 -1.224869 -0.947457
2011-01-01 05:00:00 0.498326 0.070416
2011-01-01 06:00:00 0.401665 NaN
2011-01-01 07:00:00 -0.019766 0.533641
2011-01-01 08:00:00 -1.101303 -1.408561
2011-01-01 09:00:00 1.671795 -0.764629
有没有一种有效的方法来查找具有 NaN 的行的“整数”索引？在这种情况下，所需的输出应该是[3, 6].
这是一个更简单的解决方案：
inds = pd.isnull(df).any(1).nonzero()[0]
In [9]: df
Out[9]:
0 1
0 0.450319 0.062595
1 -0.673058 0.156073
2 -0.871179 -0.118575
3 0.594188 NaN
4 -1.017903 -0.484744
5 0.860375 0.239265
6 -0.640070 NaN
7 -0.535802 1.632932
8 0.876523 -0.153634
9 -0.686914 0.131185
In [10]: pd.isnull(df).any(1).nonzero()[0]
Out[10]: array([3, 6])
对于数据框df：
import numpy as np
index = df['b'].index[df['b'].apply(np.isnan)]
会给你返回MultiIndex你可以用来索引的东西df，例如：
df['a'].ix[index[0]]
>>> 1.452354
对于整数索引：
df_index = df.index.values.tolist()
[df_index.index(i) for i in index]
>>> [3, 6]
一条线解决方案。但是它仅适用于一列。
df.loc[pandas.isna(df["b"]), :].index
以防万一，如果您想为所有列找到“nan”的坐标（假设它们都是数字），请执行以下操作：
df = pd.DataFrame([[0,1,3,4,np.nan,2],[3,5,6,np.nan,3,3]])
df
0 1 2 3 4 5
0 0 1 3 4.0 NaN 2
1 3 5 6 NaN 3.0 3
np.where(np.asanyarray(np.isnan(df)))
(array([0, 1]), array([4, 3]))
不知道这是否为时已晚，但您可以使用 np.where 来查找非值的索引，如下所示：
indices = list(np.where(df['b'].isna()[0]))
如果您有日期时间索引并且您希望获得以下值：
df.loc[pd.isnull(df).any(1), :].index.values
以下是一些方法的测试：
%timeit np.where(np.isnan(df['b']))[0]
%timeit pd.isnull(df['b']).nonzero()[0]
%timeit np.where(df['b'].isna())[0]
%timeit df.loc[pd.isna(df['b']), :].index
以及它们对应的时间：
333 µs ± 9.95 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
280 µs ± 220 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
313 µs ± 128 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
6.84 ms ± 1.59 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
就时间而言，这似乎pd.isnull(df['DRGWeight']).nonzero()[0]赢得了胜利，但前三种方法中的任何一种都具有可比的性能。
另一个简单的解决方案是list(np.where(df['b'].isnull())[0])
这是另一个更简单的方法：
df = pd.DataFrame([[0,1,3,4,np.nan,2],[3,5,6,np.nan,3,3]])
inds = np.asarray(df.isnull()).nonzero()
(array([0, 1], dtype=int64), array([4, 3], dtype=int64))
我正在寻找具有 NaN 值的行的所有索引。
我的工作解决方案：
def get_nan_indexes(data_frame):
indexes = []
print(data_frame)
for column in data_frame:
index = data_frame[column].index[data_frame[column].apply(np.isnan)]
if len(index):
indexes.append(index[0])
df_index = data_frame.index.values.tolist()
return [df_index.index(i) for i in set(indexes)]
这将为您提供每列中 nan 的索引值：
df.loc[pd.isna(df).any(1), :].index
让数据框命名为df，感兴趣的列（即我们试图在其中查找 null 的列）为'b'。然后以下代码段给出了数据框中所需的 null 索引：
for i in range(df.shape[0]):
if df['b'].isnull().iloc[i]:
print(i)
index_nan = []
for index, bool_v in df["b"].iteritems().isna():
if bool_v == True:
index_nan.append(index)
print(index_nan)