Ответы:
Вы можете применить счет к строкам следующим образом:
test_df.apply(lambda x: x.count(), axis=1)
test_df:
A B C
0: 1 1 3
1: 2 nan nan
2: nan nan nan
выход:
0: 3
1: 1
2: 0
Вы можете добавить результат в виде столбца следующим образом:
test_df['full_count'] = test_df.apply(lambda x: x.count(), axis=1)
Результат:
A B C full_count
0: 1 1 3 3
1: 2 nan nan 1
2: nan nan nan 0
При использовании панд, стараюсь избегать выполнения операций в цикле, в том числе apply
, map
, и applymap
т.д. Это медленно!
Если вы хотите подсчитать пропущенные значения в каждом столбце, попробуйте:
df.isnull().sum()
или же df.isnull().sum(axis=0)
С другой стороны, вы можете рассчитывать в каждой строке (это ваш вопрос) по:
df.isnull().sum(axis=1)
Это примерно в 10 раз быстрее, чем решение Яна ван дер Вегта (кстати, он считает правильные значения, а не пропущенные значения):
In [18]: %timeit -n 1000 df.apply(lambda x: x.count(), axis=1)
1000 loops, best of 3: 3.31 ms per loop
In [19]: %timeit -n 1000 df.isnull().sum(axis=1)
1000 loops, best of 3: 329 µs per loop
нулевые значения вдоль столбца,
df.isnull().sum(axis=0)
пустые значения вдоль столбца,
c = (df == '').sum(axis=0)
нулевые значения вдоль строки,
df.isnull().sum(axis=1)
пустые значения вдоль строки,
c = (df == '').sum(axis=1)
Этот фрагмент вернет целочисленное значение общего числа столбцов с отсутствующим значением:
(df.isnull().sum() > 0).astype(np.int64).sum()
>>> df = pd.DataFrame([[1, 2, np.nan],
... [np.nan, 3, 4],
... [1, 2, 3]])
>>> df
0 1 2
0 1 2 NaN
1 NaN 3 4
2 1 2 3
>>> df.count(axis=1)
0 2
1 2
2 3
dtype: int64