Le filtrage de toutes les lignes avec le NaT dans une colonne dans Dataframe python

J'ai un df comme ceci:

    a b           c
    1 NaT         w
    2 2014-02-01  g
    3 NaT         x   

    df=df[df.b=='2014-02-01']

va me donner

    a  b          c
    2 2014-02-01  g

Je veux une base de données de toutes les lignes avec le NaT dans la colonne b?

   df=df[df.b==None] #Doesn't work

Ce que je veux c':

    a b           c
    1 NaT         w
    3 NaT         x
umm, df[df.b == pd.NaT]?
pd.NaT != pd.NaT, bien que, comme nan != nan.

OriginalL'auteur Jase Villam | 2014-05-19

  1. 38

    isnull et notnull travailler avec NaT de sorte que vous pouvez les gérer de la même manière que la poignée NaNs:

    >>> df

   a          b  c
0  1        NaT  w
1  2 2014-02-01  g
2  3        NaT  x

>>> df.dtypes

a             int64
b    datetime64[ns]
c            object

    suffit d'utiliser isnull pour sélectionner:

    df[df.b.isnull()]

   a   b  c
0  1 NaT  w
2  3 NaT  x

    OriginalL'auteur Karl D.

  2. 9

    Pour ceux qui sont intéressés, dans mon cas, j'ai voulu faire tomber le NaT contenues dans le DateTimeIndex d'un dataframe. Je ne pouvais pas utiliser directement les notnull construction comme suggéré par Karl D. Vous devez d'abord créer un temporaire de la colonne de l'index, puis appliquer le masque, puis supprimer de manière temporaire colonne de nouveau.

    df["TMP"] = df.index.values                # index is a DateTimeIndex
df = df[df.TMP.notnull()]                  # remove all NaT values
df.drop(["TMP"], axis=1, inplace=True)     # delete TMP again

    OriginalL'auteur Eelco van Vliet

  3. 5

    À l'aide de votre exemple dataframe:

    df = pd.DataFrame({"a":[1,2,3], 
                   "b":[pd.NaT, pd.to_datetime("2014-02-01"), pd.NaT], 
                   "c":["w", "g", "x"]})

    Jusqu'à v0.17 ce n'étais pas de travail:

    df.query('b != b')

    et il y avait à faire:

    df.query('b == "NaT"') # yes, surprisingly, this works!

    Depuis v0.17 cependant, les deux méthodes fonctionnent, bien que je ne recommande que la première.

    OriginalL'auteur Radu

  4. 0

    J'ai l'impression que le commentaire de @DSM vaut une réponse sur son propre, parce que cela répond à la question fondamentale.

    Le malentendu provient de l'hypothèse que pd.NaT agit comme None. Cependant, alors que None == None retourne True, pd.NaT == pd.NaT retourne False. Les Pandas NaT se comporte comme un virgule flottante NaN, qui n'est pas égal à lui-même.

    Comme la réponse précédente expliquer, vous devez utiliser 

    df[df.b.isnull()] # or notnull(), respectively

    OriginalL'auteur Michael Dorner