如何:

d = d.applymap(lambda x: np.nan if isinstance(x, basestring) and x.isspace() else x)

applymap函数将一个函数应用到数据框架的每个单元格。

我认为df.replace()完成了这项工作，因为pandas 0.13:

df = pd.DataFrame([
    [-0.532681, 'foo', 0],
    [1.490752, 'bar', 1],
    [-1.387326, 'foo', 2],
    [0.814772, 'baz', ' '],     
    [-0.222552, '   ', 4],
    [-1.176781,  'qux', '  '],         
], columns='A B C'.split(), index=pd.date_range('2000-01-01','2000-01-06'))

# replace field that's entirely space (or empty) with NaN
print(df.replace(r'^\s*$', np.nan, regex=True))

生产:

                   A    B   C
2000-01-01 -0.532681  foo   0
2000-01-02  1.490752  bar   1
2000-01-03 -1.387326  foo   2
2000-01-04  0.814772  baz NaN
2000-01-05 -0.222552  NaN   4
2000-01-06 -1.176781  qux NaN

正如Temak指出的，使用df。替换(r ^ \ s + $, np。nan, regex=True)，以防有效数据包含空白。

我是这样做的:

df = df.apply(lambda x: x.str.strip()).replace('', np.nan)

or

df = df.apply(lambda x: x.str.strip() if isinstance(x, str) else x).replace('', np.nan)

你可以去掉所有的str，然后用np.nan替换空str。

对于一个非常快速和简单的解决方案，您可以使用mask方法来检查单个值是否相等。

df.mask(df == ' ')

如果您想用空格替换空字符串和记录，正确的答案是!：

df = df.replace(r'^\s*$', np.nan, regex=True)

公认的答案

df.replace(r'\s+', np.nan, regex=True)

不替换空字符串!，你可以用稍微更新了一下的例子自己试试:

df = pd.DataFrame([
    [-0.532681, 'foo', 0],
    [1.490752, 'bar', 1],
    [-1.387326, 'fo o', 2],
    [0.814772, 'baz', ' '],     
    [-0.222552, '   ', 4],
    [-1.176781,  'qux', ''],         
], columns='A B C'.split(), index=pd.date_range('2000-01-01','2000-01-06'))

还要注意，'fo o'不会被Nan取代，尽管它包含一个空格。 进一步注意，一个简单的:

df.replace(r'', np.NaN)

也不行，试试吧。

如果你从CSV文件中导出数据，它可以像这样简单:

df = pd.read_csv(file_csv, na_values=' ')

这将创建数据帧，并将空白值替换为Na

你也可以用滤镜来做。

df = PD.DataFrame([
    [-0.532681, 'foo', 0],
    [1.490752, 'bar', 1],
    [-1.387326, 'foo', 2],
    [0.814772, 'baz', ' '],     
    [-0.222552, '   ', 4],
    [-1.176781,  'qux', '  '])
    df[df=='']='nan'
    df=df.astype(float)

最简单的解决方案:

df = df.replace(r'^\s+$', np.nan, regex=True)

print(df.isnull().sum()) # check numbers of null value in each column

modifiedDf=df.fillna("NaN") # Replace empty/null values with "NaN"

# modifiedDf = fd.dropna() # Remove rows with empty values

print(modifiedDf.isnull().sum()) # check numbers of null value in each column

这不是一个优雅的解决方案，但似乎有效的方法是保存到XLSX，然后再将其导入。本页上的其他解决方案对我来说并不奏效，不知道为什么。

data.to_excel(filepath, index=False)
data = pd.read_excel(filepath)

这些都接近正确答案，但我不会说任何方法都能解决问题，同时让其他人在阅读您的代码时最容易读懂。我想说，这个答案是BrenBarn的答案和tuomasttik在答案下面的评论的结合。BrenBarn的答案利用了isspace内置，但不支持删除空字符串，如OP所要求的，我倾向于将其作为替换null字符串的标准用例。

我重写了。apply，这样你就可以在pd上调用它。Series或pd.DataFrame。

Python 3:

替换全为空格的空字符串或字符串:

df = df.apply(lambda x: np.nan if isinstance(x, str) and (x.isspace() or not x) else x)

替换全空格字符串:

df = df.apply(lambda x: np.nan if isinstance(x, str) and x.isspace() else x)

要在Python 2中使用它，你需要用basestring替换str。

Python 2:

替换全为空格的空字符串或字符串:

df = df.apply(lambda x: np.nan if isinstance(x, basestring) and (x.isspace() or not x) else x)

替换全空格字符串:

df = df.apply(lambda x: np.nan if isinstance(x, basestring) and x.isspace() else x)

这对我很管用。 当我导入我的csv文件，我添加了na_values = ' '。默认NaN值中不包括空格。

df= pd.read_csv(filepath,na_values = ' ')

这应该可以

df.loc[df.Variable == '', 'Variable'] = 'Value'

or

df.loc[df.Variable1 == '', 'Variable2'] = 'Value'