num_vars['Salary'].isnull().sum()

               num_vars['Salary'].count()

              np.sum(num_vars['salary'].isnull().mean()>=.50)

              np.sum(num_vars.isnull().mean()>=.50)

为什么对空值这么关心呢？因为不同的空值比例，我们的处理方案也不一样。比如全空，空值占一半，空值占一大半。下一次会写一篇pandas数据分析的基础模版，对各种情况进行分析。比如对不同的文本分类种类进行one-hot编码

1.使用前项填充

store_items.fillna(method = 'ffill', axis = 0)

发现glasses 的一个值没有被填充，前向填充就是用后一个人舔自己的位置，后向填充相反。

2.使用后项填充

store_items.fillna(method = 'backfill', axis = 0)

3.线性填充（可与理解为等差序列填充）

对于控制的处理我们要慎重，空值如何填充，如何处理？是一个值得考量的问题，这里给出两种法

df=df.fillna(df.mean())

但若遇上了布尔值，或者字符串以及类别就很不好。

您在此看到了两种最常用的估算值方法，并且希望您意识到即使这些方法也很复杂。同样，这些方法可以是迈出建立模型的第一步，但是使用这些方法可能会对引入模型的偏差产生不利影响。

data.dropna(how = 'all')    # 传入这个参数后将只丢弃全为缺失值的那些行

data.dropna(axis = 1)       # 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）

data.dropna(axis=1,how="all")   # 丢弃全为缺失值的那些列

data.dropna(axis=0,subset = ["Age", "Sex"])   # 丢弃‘Age’和‘Sex’这两列中有缺失值的行