数组中非缺失值数量？len(x)排除缺失值？

Question

在Python中，有没有什么函数可以让我计算数组中非缺失值的数量？

我的数据是：

df.wealth1[df.wealth < 25000] = df.wealth
df.wealth2[df.wealth <50000 & df.wealth > 25000] = df.wealth
df.wealth3[df.wealth < 75000 & df.wealth > 50000] = df.wealth
...

id, income, wealth, wealth1, wealth2, ... wealth9
1, 100000, 20000, 20000, ,...,
2, 60000, 40000, , 40000, ...,
3 70000, 23000, 23000, , ...,
4 80000, 75000, , ,..., 75000
...

我现在的情况是：

income_brackets = [(0, 25000), (25000,50000), (50000,100000)]
source = {'wealth1': [], 'wealth2' :[], .... 'wealth9' : []

for lower, upper in income_brackets:
for key in source:
source[key].append(len(df.query('income > {} and income < {}'.format(lower,upper))[np.logical_not(np.isnan([key]))]))

但是这样不行，因为 np.isnan('wealth1') 是无效的。它只能用在 np.isnan(df.wealth1) 上，不过我无法把它放进我的循环里。我对Python还很陌生，所以可能（希望）我漏掉了什么明显的东西。

任何建议或问题都很好。谢谢！祝好

Answer 1

Pandas让你可以用以下方式访问列：

np.isnan(df['wealth1'])

顺便说一下，即使不是这样，你也可以这样做：

np.isnan(getattr(df, 'wealth1'))

Answer 2

最好的方法是使用 DataFrame 对象的 count 方法：

In [18]: data = randn(1000, 3)

In [19]: data
Out[19]:
array([[ 0.1035,  0.9239,  0.3902],
       [ 0.2022, -0.1755, -0.4633],
       [ 0.0595, -1.3779, -1.1187],
       ...,
       [ 1.3931,  0.4087,  2.348 ],
       [ 1.2746, -0.6431,  0.0707],
       [-1.1062,  1.3949,  0.3065]])

In [20]: data[rand(len(data)) > 0.5] = nan

In [21]: data
Out[21]:
array([[ 0.1035,  0.9239,  0.3902],
       [ 0.2022, -0.1755, -0.4633],
       [    nan,     nan,     nan],
       ...,
       [ 1.3931,  0.4087,  2.348 ],
       [ 1.2746, -0.6431,  0.0707],
       [-1.1062,  1.3949,  0.3065]])

In [22]: df = DataFrame(data, columns=list('abc'))

In [23]: df.head()
Out[23]:
        a       b       c
0  0.1035  0.9239  0.3902
1  0.2022 -0.1755 -0.4633
2     NaN     NaN     NaN
3     NaN     NaN     NaN
4     NaN     NaN     NaN

[5 rows x 3 columns]

In [24]: df.count()
Out[24]:
a    498
b    498
c    498
dtype: int64

In [26]: df.notnull().sum()
Out[26]:
a    498
b    498
c    498
dtype: int64

像许多 pandas 的方法一样，这个方法也可以在 Series 对象上使用：

In [27]: df.a.count()
Out[27]: 498