pandas.notna

pandas.notna(obj)[source]

Обнаружение значений, отличных от пропущенных, для объектоподобного массива.

Эта функция принимает скалярное или объектоподобное значение и указывает, являются ли значения допустимыми (не пропущенными, что является NaN в числовых массивах, None или NaN в объектных массивах, NaT в массивах datetimelike).

Параметры

obj:массив или объектное значение

Объект, который необходимо проверить на отсутствие нулевых или пропущенных значений.

Возвращает

bool или массив bool

Для скалярного входного значения возвращает скалярное булево значение. Для входного массива возвращает массив булевых значений, указывающих, является ли каждое соответствующее значение допустимым.

См. 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 Index.

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 булевых 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 булевые 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