对于数据中的缺失值，有两种处理思路：

• 删除
• 插补

如何判断数据中是否存在缺失值?

• pd.isnull(df) -> np.any(pd.isnull(df))
  返回True，则有缺失值
• pd.notnull(df) -> np.all(pd.notnull(df))
  返回False，则有缺失值
• 判断某一列是否有缺失值：
  • pd.isnull(df).any()
  • pd.notnull(df).all()
    
    判断列是否有缺失值
    
    
    判断列是否有缺失值
• 将数据某一列中不包含空值的数据输出来：
  
  将 Ve 列中不包含空值的数据输出

删除含有缺失值的数据：

• df.dropna(axis=, inplace=)
  • 默认按行删除，axis="rows"
  • 默认inplace=False，不替换、修改原始数据，生成新的对象

对缺失值进行插补：

• df.fillna(value, inplace=)
  可选择填充平均值：
  data["Ve"].fillna(data["Ve"].mean())

缺失值为其他标记

例如，缺失值标记为“?”
将?替换为np.nan，再做其他相似处理
df.replace(to_replace="?", value=np.nan)