df.isnull().mean()可直接计算每列缺失值比例，因True/False被转为1/0求均值；支持切片、精度控制及绘图，但需注意伪缺失和混合类型问题。
怎么用 isnull() 和 mean() 一行算出每列缺失值比例
直接对布尔矩阵求均值，是最快最稳的方式：df.isnull().mean()。因为 True 被当 1、False 当 0 处理，均值就是空值占比。
- 别用
sum() / len(df)—— 容易因索引不连续或含重复行导致分母不准 - 如果只关心某几列，先切片再调用：
df[['col_a', 'col_b']].isnull().mean() - 结果是
float64类型的Series，默认保留小数点后 6 位；需要控制精度可链式调用.round(4) - 注意：
NaN、None、pd.NaT都会被识别为缺失；但字符串'NaN'或空字符串''不算
为什么 df.info() 显示非空数却算不出比例
df.info() 输出的是每列的非空计数（non-null），但它不直接提供比例，而且默认只打印前/后若干行，容易漏看长 DataFrame 中间列的缺失情况。
- 尤其当列数多于显示阈值（默认约 80 列），中间大量列的
non-null值根本不会出现 -
df.info(verbose=True)可强制全量输出，但仍是文本格式，没法直接参与后续计算或绘图 - 真正要批量分析或导出，还是得靠
df.isnull().mean()+to_frame()转成结构化数据
用 matplotlib 或 seaborn 快速画缺失率条形图
把缺失率转成 DataFrame 后，就能直接喂给绘图库。关键是要设好 x 轴标签旋转，否则列名挤在一起看不见。
- 推荐写法：
missing_rate = df.isnull().mean().round(4).to_frame('missing_ratio')<br>missing_rate.plot(kind='barh', figsize=(6, 8))<br>plt.xlabel('Missing Ratio')</br>plt.xticks(rotation=0) - 用
seaborn更简洁：sns.barplot(data=missing_rate.reset_index(), y='index', x='missing_ratio')
- 别直接对
Series调用.plot()后加plt.yticks()—— 列名顺序可能错乱，尤其当列名含中文或特殊字符时 - 如果缺失率全为 0，图表会塌成一条线；建议加个判断：
if missing_rate.max() == 0: print("No missing values found")
处理 object 列里隐藏的“伪缺失”（如空格、'NULL' 字符串）
isnull() 对这类值完全免疫，它们会算作有效值，导致真实缺失率被低估。
立即学习“Python免费学习笔记（深入）”；
- 先检查是否有明显可疑值：
df.select_dtypes('object').apply(lambda s: s.str.strip().isin(['', 'NULL', 'null', 'None']).sum()) - 清洗后再统计：
df_clean = df.copy(); df_clean[col] = df_clean[col].str.strip().replace({'NULL': pd.NA, 'null': pd.NA}) - 注意：
replace()默认不修改原Series，必须赋值；且pd.NA是 pandas 的新缺失标记，比np.nan更兼容字符串列 - 混合类型列（如既有数字又有字符串）可能被推断为
object，但str方法会报错；需加astype(str)或用apply(type)排查
df.isnull().mean() 前，最好先用 df.head().T 和 df.dtypes 扫一眼数据长什么样。 
