pandas.isnull

pandas.isnull(obj)[source]

Обнаружение пропущенных значений для массивоподобного объекта.

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

Параметры:

obj:скалярный или массивоподобный

Объект, для которого необходимо проверить наличие пустых или пропущенных значений.

Возвращает:

bool или массивоподобный массив bool

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

См. также

notna

Булево обратное значение pandas.isna.

Series.isna

Обнаружение пропущенных значений в Series.

DataFrame.isna

Обнаружение пропущенных значений в DataFrame.

Index.isna

Обнаружение пропущенных значений в Index.

Примеры

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

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

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

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

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.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