210

Vous pouvez utiliser l’attribut 𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌ pour vérifier si un 𝐩‌𝐚‌𝐧‌𝐝‌𝐚‌𝐬‌.D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ ou 𝐩‌𝐚‌𝐧‌𝐝‌𝐚‌𝐬‌.S𝐞‌𝐫‌𝐢‌𝐞‌𝐬‌ est vide.

• pandas.DataFrame.empty — documentation de pandas 2.0.3
• pandas.Series.empty — documentation de pandas 2.0.3

L’exemple de code de cet article utilise la version 2.0.3 de pandas .

import pandas as pd print(pd.__version__) # 2.0.3 

Comment utiliser l’attribut 𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌ dans 𝐩‌𝐚‌𝐧‌𝐝‌𝐚‌𝐬‌.D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ et 𝐩‌𝐚‌𝐧‌𝐝‌𝐚‌𝐬‌.S𝐞‌𝐫‌𝐢‌𝐞‌𝐬‌

𝐩‌𝐚‌𝐧‌𝐝‌𝐚‌𝐬‌.D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌.𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌

L’attribut 𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌ renvoie T𝐫‌𝐮‌𝐞‌ pour un D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ vide et F𝐚‌𝐥‌𝐬‌𝐞‌ dans le cas contraire.

df_empty = pd.DataFrame() print(df_empty) # Empty DataFrame # Columns: [] # Index: [] print(df_empty.empty) # True 

df_full = pd.DataFrame({'A': [0, 1, 2]}) print(df_full) # A # 0 0 # 1 1 # 2 2 print(df_full.empty) # False 

Notez que N𝐚‌N est considéré comme une valeur valide. Par conséquent, même si tous les éléments sont N𝐚‌N , 𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌ renvoie F𝐚‌𝐥‌𝐬‌𝐞‌ .

df_nan = pd.DataFrame({'A': [float('NaN'), float('NaN'), float('NaN')]}) print(df_nan) # A # 0 NaN # 1 NaN # 2 NaN print(df_nan.empty) # False 

Pour déterminer si tous les éléments sont N𝐚‌N , appliquez d’abord la méthode 𝐝‌𝐫‌𝐨‌𝐩‌𝐧‌𝐚‌() pour supprimer N𝐚‌N , puis utiliser 𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌ .

• pandas : Supprimer les valeurs manquantes (NaN) avec dropna()

print(df_nan.dropna()) # Empty DataFrame # Columns: [A] # Index: [] print(df_nan.dropna().empty) # True 

Par défaut, 𝐝‌𝐫‌𝐨‌𝐩‌𝐧‌𝐚‌() supprime les lignes contenant au moins un N𝐚‌N . Pour supprimer les lignes dont tous les éléments sont N𝐚‌N , utilisez 𝐡‌𝐨‌𝐰‌=’𝐚‌𝐥‌𝐥‌’ .

df_mix = pd.DataFrame({'A': [float('NaN'), float('NaN'), float('NaN')], 'B': [0, 1, 2]}) print(df_mix) # A B # 0 NaN 0 # 1 NaN 1 # 2 NaN 2 print(df_mix.dropna()) # Empty DataFrame # Columns: [A, B] # Index: [] print(df_mix.dropna(how='all')) # A B # 0 NaN 0 # 1 NaN 1 # 2 NaN 2 

𝐩‌𝐚‌𝐧‌𝐝‌𝐚‌𝐬‌.S𝐞‌𝐫‌𝐢‌𝐞‌𝐬‌.𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌

L’attribut 𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌ de S𝐞‌𝐫‌𝐢‌𝐞‌𝐬‌ fonctionne de la même manière que D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ .

s_empty = pd.Series() print(s_empty) # Series([], dtype: object) print(s_empty.empty) # True 

s_full = pd.Series([0, 1, 2]) print(s_full) # 0 0 # 1 1 # 2 2 # dtype: int64 print(s_full.empty) # False 

s_nan = pd.Series([float('NaN'), float('NaN'), float('NaN')]) print(s_nan) # 0 NaN # 1 NaN # 2 NaN # dtype: float64 print(s_nan.empty) # False print(s_nan.dropna()) # Series([], dtype: float64) print(s_nan.dropna().empty) # True 

Remarque : un 𝐩‌𝐚‌𝐧‌𝐝‌𝐚‌𝐬‌.D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ ou 𝐩‌𝐚‌𝐧‌𝐝‌𝐚‌𝐬‌.S𝐞‌𝐫‌𝐢‌𝐞‌𝐬‌ vide n’est pas considéré comme F𝐚‌𝐥‌𝐬‌𝐞‌

En Python, les listes vides, les tuples, les dictionnaires et les structures similaires sont évalués comme F𝐚‌𝐥‌𝐬‌𝐞‌ .

• Convertir bool (True, False) et d’autres types entre eux en Python

l_empty = [] print(bool(l_empty)) # False 

Par exemple, dans les instructions 𝐢‌𝐟‌ , vous pouvez utiliser directement l’objet pour vérifier si une liste ou une structure de données similaires est vide.

if not l_empty: print('Empty!') # Empty! 

Cependant, un D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ ou S𝐞‌𝐫‌𝐢‌𝐞‌𝐬‌ vide n’est pas considéré comme F𝐚‌𝐥‌𝐬‌𝐞‌ . Par conséquent, vous devez utiliser préciser l’attribut 𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌ pour vérifier la vacuité.

df_empty = pd.DataFrame() print(df_empty) # Empty DataFrame # Columns: [] # Index: [] # print(bool(df_empty)) # ValueError: The truth value of a DataFrame is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all(). print(df_empty.empty) # True 

# if df_empty: # print('Empty!') # ValueError: The truth value of a DataFrame is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all(). if df_empty.empty: print('Empty!') # Empty! 

Pour plus de détails sur l’erreur T𝐡‌𝐞‌ 𝐭‌𝐫‌𝐮‌𝐭‌𝐡‌ 𝐯‌𝐚‌𝐥‌𝐮‌𝐞‌ 𝐨‌𝐟‌ 𝐚‌ D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ 𝐢‌𝐬‌ Pour plus d’informations , reportez-vous à l’article suivant.

• Comment corriger « ValueError : la valeur de vérité… est ambiguë » dans NumPy, pandas

Exemple : vérifier si des lignes ou des éléments répondent à une condition

Vous pouvez extraire des lignes d’un D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ qui satisfont une certaine condition en utilisant l’indexation booléenne avec des opérateurs de comparaison ou la méthode 𝐪‌𝐮‌𝐞‌𝐫‌𝐲‌() .

• pandas : sélectionner des lignes avec plusieurs conditions
• pandas : interroger le DataFrame et extraire des lignes avec query()

Si aucune ligne ne répond à la condition, une valeur D𝐚‌𝐭‌𝐚‌F𝐫‌𝐚‌𝐦‌𝐞‌ vide est renvoyée. Vous pouvez ensuite vérifier ce résultat avec l’attribut 𝐞‌𝐦‌𝐩‌𝐭‌𝐲‌ pour confirmer si les lignes répondent à la condition.

df = pd.DataFrame({'A': [0, 1, 2], 'B': ['aaa', 'bbb', 'ccc']}) print(df) # A B # 0 0 aaa # 1 1 bbb # 2 2 ccc print(df[df['A'] < 0]) # Empty DataFrame # Columns: [A, B] # Index: [] print(df[df['A'] < 0].empty) # True 

print(df.query('A < 0')) # Empty DataFrame # Columns: [A, B] # Index: [] print(df.query('A < 0').empty) # True