pandas.notnull#

Обнаружение не-пропущенных значений для объекта, подобного массиву.

Эта функция принимает скалярный или похожий на массив объект и указывает, являются ли значения допустимыми (не пропущенными, что означает NaN в числовых массивах, None или NaN в массивах объектов, NaT в datetimelike).

Параметры:

objмассивоподобным или объектным значением: Объект для проверки не null или не-пропущенные значения.

Возвращает:

bool или массивоподобный из bool: Для скалярного ввода возвращает булево значение. Для ввода массива возвращает массив булевых значений, указывающих, является ли каждый соответствующий элемент допустимым.

Смотрите также

isna: Булево отрицание pandas.notna.
Series.notna: Обнаружение допустимых значений в Series.
DataFrame.notna: Обнаружение допустимых значений в DataFrame.
Index.notna: Обнаружение допустимых значений в индексе.

Примеры

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

>>> pd.notna('dog')
True

>>> pd.notna(pd.NA)
False

>>> pd.notna(np.nan)
False

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.notna(array)
array([[ True, False,  True],
       [ True,  True, False]])

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.notna(index)
array([ True,  True, False,  True])

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.notna(df)
      0      1     2
0  True   True  True
1  True  False  True

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