问题描述：
    python pandas判断缺失值一般采用 isnull()，然而生成的却是所有数据的true／false矩阵，对于庞大的数据dataframe，很难一眼看出来哪个数据缺失，一共有多少个缺失数据，缺失数据的位置。
    首先对于存在缺失值的数据，如下所示

    1. import pandas as pd
    2. import numpy as np
    4. df = pd.DataFrame(np.random.randn(10,6))
    5. # Make a few areas have NaN values
    6. df.iloc[1:3,1] = np.nan
    7. df.iloc[5,3] = np.nan
    8. df.iloc[7:9,5] = np.nan
    1. 0         1         2         3         4         5
    2. 0  0.520113  0.884000  1.260966 -0.236597  0.312972 -0.196281
    3. 1 -0.837552       NaN  0.143017  0.862355  0.346550  0.842952
    4. 2 -0.452595       NaN -0.420790  0.456215  1.203459  0.527425
    5. 3  0.317503 -0.917042  1.780938 -1.584102  0.432745  0.389797
    6. 4 -0.722852  1.704820 -0.113821 -1.466458  0.083002  0.011722
    7. 5 -0.622851 -0.251935 -1.498837       NaN  1.098323  0.273814
    8. 6  0.329585  0.075312 -0.690209 -3.807924  0.489317 -0.841368
    9. 7 -1.123433 -1.187496  1.868894 -2.046456 -0.949718       NaN
    10.  8  1.133880 -0.110447  0.050385 -1.158387  0.188222       NaN
    11.  9 -0.513741  1.196259  0.704537  0.982395 -0.585040 -1.693810


    df.isnull()会产生如下结果

    1. 0      1      2      3      4      5
    2. 0  False  False  False  False  False  False
    3. 1  False   True  False  False  False  False
    4. 2  False   True  False  False  False  False
    5. 3  False  False  False  False  False  False
    6. 4  False  False  False  False  False  False
    7. 5  False  False  False   True  False  False
    8. 6  False  False  False  False  False  False
    9. 7  False  False  False  False  False   True
    10. 8  False  False  False  False  False   True
    11. 9  False  False  False  False  False  False


    df.isnull().any()则会判断哪些”列”存在缺失值

    1. 0    False
    2. 1     True
    3. 2    False
    4. 3     True
    5. 4    False
    6. 5     True
    7. dtype: bool


    对于该问题，可以采用如下方式解决：

    1. df[df.isnull().values==True]
    1. Out[126]: 
    2. 0         1         2         3         4         5
    3. 1  1.090872       NaN -0.287612 -0.239234 -0.589897  1.849413
    4. 2 -1.384721       NaN -0.158293  0.011798 -0.564906 -0.607121
    5. 5 -0.477590 -2.696239  0.312837       NaN  0.404196 -0.797050
    6. 7  0.369665 -0.268898 -0.344523 -0.094436  0.214753       NaN
    7. 8 -0.114483 -0.842322  0.164269 -0.812866 -0.601757       NaN


    可以只显示存在缺失值的行列，清楚的确定缺失值的位置。