pandas.isnull#

Обнаружить пропущенные значения для объекта, подобного массиву.

Эта функция принимает скаляр или массивоподобный объект и указывает, являются ли значения пропущенными (NaN в числовых массивах, None или NaN в массивах объектов, NaT в datetimelike).

Параметры:

objскаляр или массивоподобный объект: Объект для проверки на null или пропущенные значения.

Возвращает:

bool или массивоподобный из bool: Для скалярного ввода возвращает скалярное логическое значение. Для ввода массива возвращает массив логических значений, указывающих, является ли каждый соответствующий элемент пропущенным.

Смотрите также

notna: Булево отрицание pandas.isna.
Series.isna: Обнаружить пропущенные значения в Series.
DataFrame.isna: Обнаружить пропущенные значения в DataFrame.
Index.isna: Обнаружение пропущенных значений в Index.

Примеры

Скалярные аргументы (включая строки) приводят к скалярному булевому значению.

>>> pd.isna('dog')
False

>>> pd.isna(pd.NA)
True

>>> pd.isna(np.nan)
True

ndarrays приводят к ndarray логических значений.

>>> array = np.array([[1, np.nan, 3], [4, 5, np.nan]])
>>> array
array([[ 1., nan,  3.],
       [ 4.,  5., nan]])
>>> pd.isna(array)
array([[False,  True, False],
       [False, False,  True]])

Для индексов возвращается ndarray булевых значений.

>>> index = pd.DatetimeIndex(["2017-07-05", "2017-07-06", None,
...                           "2017-07-08"])
>>> index
DatetimeIndex(['2017-07-05', '2017-07-06', 'NaT', '2017-07-08'],
              dtype='datetime64[ns]', freq=None)
>>> pd.isna(index)
array([False, False,  True, False])

Для Series и DataFrame возвращается тот же тип, содержащий булевы значения.

>>> df = pd.DataFrame([['ant', 'bee', 'cat'], ['dog', None, 'fly']])
>>> df
     0     1    2
0  ant   bee  cat
1  dog  None  fly
>>> pd.isna(df)
       0      1      2
0  False  False  False
1  False   True  False

>>> pd.isna(df[1])
0    False
1     True
Name: 1, dtype: bool