【Python】Pandas DataFrameで欠損値を判定・除去する方法（isnull / dropna）

2026年1月5日

実際のデータ分析現場では、すべてのデータが綺麗に揃っていることは稀であり、測定ミスやシステムエラーによって発生した「欠損値（NaN / None）」への対処が必須となります。Pandasには、これらの欠損値を効率的に検出し、適切に処理（除去や補完）するための機能が備わっています。

本記事では、isnull() による欠損値の有無の確認と、dropna() による欠損値データの削除方法について解説します。

欠損値処理の基本メソッド

isnull() / isna(): 要素が欠損値であれば True、そうでなければ False を返します。
any(): 列や行の中に一つでも True があれば True を返します。isnull() と組み合わせて使用します。
dropna(): 欠損値が含まれる行（または列）を削除します。

実装サンプルコード

ここでは、工場の生産ラインにおける「センサーログデータ」を題材にします。通信エラー等により、一部の時刻で温度や振動データが記録されていない（欠損している）状況を想定します。

import pandas as pd
import numpy as np

def handle_missing_values():
    """
    DataFrame内の欠損値(NaN)の判定と除去を実演する関数
    """
    
    # 1. サンプルデータの作成
    # np.nan や None を含めることで意図的に欠損値を作ります
    sensor_data = {
        "Time": ["09:00", "09:10", "09:20", "09:30", "09:40"],
        "Temperature": [120.5, np.nan, 119.8, 121.2, np.nan],  # 2箇所欠損
        "Vibration": [0.05, 0.06, 0.04, None, 0.05]            # 1箇所欠損
    }
    
    df = pd.DataFrame(sensor_data)
    
    print("--- 元のセンサーデータ（欠損あり） ---")
    print(df)
    print("\n")


    # 2. 欠損値の判定 (isnull + any)
    print("=== 欠損値の判定 ===")
    
    # DataFrame全体に対して確認
    # 列ごとに「欠損値が含まれているか？」をTrue/Falseで返します
    has_null = df.isnull().any()
    
    print("--- 各列の欠損有無 ---")
    print(has_null)
    
    # 特定の列だけを確認する場合
    is_temp_null = pd.isnull(df["Temperature"]).any()
    print(f"\nTemperature列に欠損はあるか: {is_temp_null}")


    # 3. 欠損値の除去 (Seriesでの操作)
    print("\n=== 欠損値の除去 (Series) ===")
    
    # Temperature列を取り出し、欠損しているデータを削除
    temp_series = df["Temperature"]
    clean_temp_series = temp_series.dropna()
    
    print("--- 除去後のTemperature列 ---")
    print(clean_temp_series)
    print(f"元の要素数: {len(temp_series)} -> 除去後: {len(clean_temp_series)}")


    # 4. 欠損値の除去 (DataFrameでの操作)
    print("\n=== 欠損値の除去 (DataFrame) ===")
    
    # 欠損値が「1つでも」含まれる行をすべて削除します
    # (デフォルトの挙動: how='any', axis=0)
    df_clean = df.dropna()
    
    print("--- 欠損を含む行を削除したDataFrame ---")
    print(df_clean)

    # 補足: インデックスが飛び飛びになるため、必要に応じてリセットします
    # df_clean = df_clean.reset_index(drop=True)

if __name__ == "__main__":
    handle_missing_values()

実行結果

--- 元のセンサーデータ（欠損あり） ---
    Time  Temperature  Vibration
0  09:00        120.5       0.05
1  09:10          NaN       0.06
2  09:20        119.8       0.04
3  09:30        121.2        NaN
4  09:40          NaN       0.05


=== 欠損値の判定 ===
--- 各列の欠損有無 ---
Time           False
Temperature     True
Vibration       True
dtype: bool

Temperature列に欠損はあるか: True

=== 欠損値の除去 (Series) ===
--- 除去後のTemperature列 ---
0    120.5
2    119.8
3    121.2
Name: Temperature, dtype: float64
元の要素数: 5 -> 除去後: 3

=== 欠損値の除去 (DataFrame) ===
--- 欠損を含む行を削除したDataFrame ---
    Time  Temperature  Vibration
0  09:00        120.5       0.05
2  09:20        119.8       0.04

解説

isnull(): isna() と全く同じ機能を持つメソッドです。どちらを使っても構いませんが、プロジェクト内で統一することが望ましいです。
dropna() の挙動: DataFrameに対して実行すると、デフォルトでは「いずれかの列に NaN がある行」を削除します。
- how='all': 全ての列が NaN の場合のみ削除したいときに指定します。
- subset=['Temperature']: 特定の列に欠損がある場合のみ削除したいときに指定します。