Summary  
This chapter covers using pandas DataFrame aggregation methods: `count()` to count non-null values per column (or in a specific column) and `sum()` to total numeric or boolean columns (including counting missing values via `isna().sum()`).  

General domain of usage  
Data analysis

`pandas` bietet die Methode `count()`, die alle **nicht-null** Zellen (weder `None` noch `NaN`) für jede Spalte zählt.
```python
df = pd.read_csv(file.csv)
number_of_cells = df.count()
```

Um die **Anzahl** der nicht-null Werte in einer bestimmten Spalte zu finden, verwenden Sie die folgende Syntax:
```python
df = pd.read_csv(file.csv)
number_of_cells = df['name of the column'].count()
```

`pandas` bietet auch die Methode `sum()`. Diese Methode berechnet die Summe der Werte für jede Spalte, funktioniert jedoch nur mit **numerischen** oder **booleschen** Spalten.
```python
df = pd.read_csv(file.csv)
total = df.sum()
```

Da die Methode `isna()` ein **boolesches DataFrame** zurückgibt, können Sie die folgende Syntax verwenden, um die Anzahl der fehlenden Werte für jede der Spalten zu berechnen:

```python
missing_values_count = df.isna().sum()
```

Um die Summe der Werte in einer bestimmten Spalte zu finden, verwenden Sie die folgende Syntax:
```python
df = pd.read_csv(file.csv)
total = df['name of the column'].sum()
```

Pandas ist eine äußerst benutzerfreundliche Bibliothek für die Datenanalyse. Sie ist auch darauf ausgelegt, große Datensätze zu verarbeiten, indem sie Datenstrukturen wie DataFrame und Series verwendet. Dies macht sie zu einem unverzichtbaren Werkzeug für Data Science. In diesem Leitfaden lernen Sie eine Reihe von statistischen Funktionen kennen, einschließlich der Berechnung von Korrelationen, Modi, Mediane sowie maximalen und minimalen Werten innerhalb eines Datensatzes. Sie lernen auch, wie man mit fehlenden Werten umgeht und spezifische Werte manipuliert sowie entfernt.

In diesem Abschnitt werden wir die Grundlagen der Series- und DataFrame-Strukturen erkunden. Sie werden auch die Unterschiede zwischen diesen beiden Strukturtypen kennenlernen.

Daten können in verschiedenen Formaten vorliegen, wie CSV, JSON, SQL, HTML und mehr. Mit Pandas sind Sie nicht auf ein einzelnes Format beschränkt – Sie können mit Daten aus einer Vielzahl von Dateitypen arbeiten. In diesem Kapitel konzentrieren wir uns speziell auf die Formate CSV und TXT.

Hier lernen Sie, wie Sie Rohdaten verarbeiten, indem Sie überflüssige Informationen entfernen und Nullwerte in einem Datensatz verwalten.

Sum() und Count()

Lösung

Awesome!

Sum() und Count()

Lösung

Awesome!