part1 了解数据集基本情况
当我们面对一个很大的数据集的时候，如何快速得到他的行数与列数呢？
举个栗子，我们读取一个nhanes数据集，我们加上一个.shape，输出的结果就是他的行数和列数了。
也就是：(jupyter笔记本形式)
当我们想看他的列名分别有什么时，我们加上一个.columns
也就是：
如果想知道表格各列的数据类型：
也就是：
part2 提取某一列
在这个程序里，w , x , y , z 他们print出来是一样的。所以，要提取某一列有这么多种形式！
形式1，在数组里填写“列名”
形式2，在loc的逗号右边写“列名”
形式3，直接da.列名
形式4，iloc的逗号右边写列数，记得，是编程里的顺序，dmdeduc2在第十列，是编程顺序9
此时，他们的type全部是series，也就是一维数据。
part3 缺失值NULL
表格中会有很多缺失值，我们要来处理一下
函数1: isnull (别名isna) 和notnull
如果isnull返回ture，说明这是一个缺失值，返回false说明没有缺失，notnull的话反之亦然。
举个栗子：我来看看第10列的0-10行里面，空值是哪个
输出：这说明第八个(也就是第九行)为空值
如果改成notnull，输出就变成这样：
函数2:.dropna()da.dropna ( axis=0, how='any', thresh=None, subset=None, inplace=False )
阿这……这么一大串是什么意思呀，别急，我们一起来看看
axis
0表示对包含缺失值的行进行删除
1表示对包含缺失值的列进行删除；
how
any表示有任何NA存在就删除所在行或列
all表示该行或列必须都是NA才删除
thresh
int整数数据类型
optional随意数据类型
subset
array-like选定列
potional所有列
inplace
True在原表上进行修改
False不在原表上进行修改
举例子：
da.dropna(how = 'all') # 传入这个参数后将只丢弃全为缺失值的那些行
da.dropna(axis = 1) # 丢弃有缺失值的列(一般不会这么做，这样会删掉一个特征)
da.dropna(axis=1,how="all") # 丢弃全为缺失值的那些列
da.dropna(axis=0,subset = ["Age", "Sex"]) # 丢弃‘Age’和‘Sex’这两列中有缺失值的
函数3:.fillna()
如果不想过滤(去除)数据，我们可以选择使用fillna()方法填充NaN.
一、不指定任何参数
1.常数填充
语法：
da.fillna(要填充的数字)
栗子：
填充前：
填充：print( df.fillna (0) )
填充后：
可以看到nan值都变成了0(怎么像整容手术的广告哈哈哈)
2. 用字典填充
填充前：
填充：(给age填充18，给phone填充888888)print(df.fillna({'Age':'18','Phone':'888888'}))
填充后：
二、指定method参数
填充前：
pad/ffill：print(df.fillna(method='ffill'))
用缺失值的前一个非缺失值去填充该缺失值
backfill/bfill：print(df.fillna(method='bfill'))
用缺失值的下一个非缺失值填充该缺失值
三、指定limit参数print(df.fillna(method='bfill',limit=1))
意思就是只填充一行
四：指定axis参数
值得注意的是，此时，0表示列，1表示行，跟我们前面提到的dropna是相反的！！！！
填充前：
填充：print(df.fillna(666,limit=1,axis=1))
填充后：(按行填充，只填充一次，填充数字为666)
fillna填充某一列_pandas学习笔记 -了解数据集基本情况 提取数据 缺失值NULL的判断 删除和补充（dropna fillna的用法）...
