Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Was Werden Wir Mit Den NaN-Werten Tun? | Datenvorverarbeitung
Fortgeschrittene Techniken in Pandas
course content

Kursinhalt

Fortgeschrittene Techniken in Pandas

Fortgeschrittene Techniken in Pandas

1. Vertraut Werden mit Indizierung und Datenauswahl
2. Umgang mit Bedingungen
3. Daten Extrahieren
4. Daten Aggregieren
5. Datenvorverarbeitung

book
Was Werden Wir Mit Den NaN-Werten Tun?

Im vorherigen Kapitel haben Sie das Ergebnis erhalten:

PassengerId0
Survived0
Pclass0
Name0
Sex0
Age86
SibSp0
Parch0
Ticket0
Fare1
Cabin327
Embarked0

Der Datensatz hat 418 Zeilen. Schauen Sie sich die Spalte Cabin an, in der wir 327 fehlende Werte haben. Es macht keinen Sinn, sie auszufüllen, da wir hier nur minimale Informationen haben. In diesem Fall ist die beste Lösung, die Spalte zu löschen, die für uns sinnlos ist. Einer der Gründe ist, dass wir nur die Zeilen löschen können, die fehlende Werte enthalten, aber wir können nicht 327 Zeilen von 418 löschen. Lassen Sie uns herausfinden, wie man das macht.

Um eine Spalte zu löschen, müssen Sie die Methode .drop() auf den Datensatz anwenden. Die Syntax ist folgende:

Erklärung:

  • .drop() - eine Methode, die Spalten löscht;
  • columns = 'column_name' oder columns = ['column_1', 'column_2'] - Argument der Funktion, bei dem Sie den Namen oder die Namen der zu löschenden Spalten angeben;
  • inplace = True - nützliches Argument von pandas, das es uns ermöglicht, alle Änderungen zu speichern. Sie können es auch in anderen Funktionen verwenden; wir werden einige davon später lernen.
Aufgabe

Swipe to start coding

Ihre Aufgabe ist es, die Spalte mit der größten Anzahl von NaN-Werten zu löschen. Befolgen Sie den Algorithmus:

  1. Löschen Sie die Spalte 'Cabin' mit dem Argument inplace = True.
  2. Geben Sie die zufälligen 5 Zeilen des Datensatzes aus.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 5. Kapitel 3
toggle bottom row

book
Was Werden Wir Mit Den NaN-Werten Tun?

Im vorherigen Kapitel haben Sie das Ergebnis erhalten:

PassengerId0
Survived0
Pclass0
Name0
Sex0
Age86
SibSp0
Parch0
Ticket0
Fare1
Cabin327
Embarked0

Der Datensatz hat 418 Zeilen. Schauen Sie sich die Spalte Cabin an, in der wir 327 fehlende Werte haben. Es macht keinen Sinn, sie auszufüllen, da wir hier nur minimale Informationen haben. In diesem Fall ist die beste Lösung, die Spalte zu löschen, die für uns sinnlos ist. Einer der Gründe ist, dass wir nur die Zeilen löschen können, die fehlende Werte enthalten, aber wir können nicht 327 Zeilen von 418 löschen. Lassen Sie uns herausfinden, wie man das macht.

Um eine Spalte zu löschen, müssen Sie die Methode .drop() auf den Datensatz anwenden. Die Syntax ist folgende:

Erklärung:

  • .drop() - eine Methode, die Spalten löscht;
  • columns = 'column_name' oder columns = ['column_1', 'column_2'] - Argument der Funktion, bei dem Sie den Namen oder die Namen der zu löschenden Spalten angeben;
  • inplace = True - nützliches Argument von pandas, das es uns ermöglicht, alle Änderungen zu speichern. Sie können es auch in anderen Funktionen verwenden; wir werden einige davon später lernen.
Aufgabe

Swipe to start coding

Ihre Aufgabe ist es, die Spalte mit der größten Anzahl von NaN-Werten zu löschen. Befolgen Sie den Algorithmus:

  1. Löschen Sie die Spalte 'Cabin' mit dem Argument inplace = True.
  2. Geben Sie die zufälligen 5 Zeilen des Datensatzes aus.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 5. Kapitel 3
Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
We're sorry to hear that something went wrong. What happened?
some-alt