Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Hallando Valores Nulos | Analizando los Datos
Primeros Pasos con Pandas
course content

Contenido del Curso

Primeros Pasos con Pandas

Primeros Pasos con Pandas

1. Los Primeros Pasos
2. Leyendo Archivos en Pandas
3. Analizando los Datos

bookHallando Valores Nulos

Los DataFrames suelen contener valores perdidos, representados como None o np.NaN. Cuando se trabaja con dataframes, es esencial identificar estos valores perdidos. Para ello, pandas ofrece funciones específicas.

El primero de ellos es isna(), que devuelve un dataframe booleano. En este contexto, un valor True indica que falta un valor en el datafrane mientras que un valor False sugiere que el valor está presente.

Para mayor claridad, veamos un ejemplo. Ejecute el código proporcionado para ver un dataframe lleno de valores True y False, que ofrece una comprensión más clara.

123456789
import pandas as pd import numpy as np dataset = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None], 'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']} animal = pd.DataFrame(dataset) # Find missing values missing_value = animal.isna() print(missing_value)
copy

La segunda función es isnull(). Se comporta de forma idéntica a la anterior, sin que se aprecien diferencias entre ellas. Examinemos su aplicación. Ejecutando el código adjunto veremos si el DataFrame resultante coincide con el del ejemplo anterior.

123456789
import pandas as pd import numpy as np dataset = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None], 'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']} animal = pd.DataFrame(dataset) # Find missing values missing_value = animal.isnull() print(missing_value)
copy

Tarea

Su objetivo es localizar los valores que faltan en un dataframe llamado data_frame.

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 3. Capítulo 6
toggle bottom row

bookHallando Valores Nulos

Los DataFrames suelen contener valores perdidos, representados como None o np.NaN. Cuando se trabaja con dataframes, es esencial identificar estos valores perdidos. Para ello, pandas ofrece funciones específicas.

El primero de ellos es isna(), que devuelve un dataframe booleano. En este contexto, un valor True indica que falta un valor en el datafrane mientras que un valor False sugiere que el valor está presente.

Para mayor claridad, veamos un ejemplo. Ejecute el código proporcionado para ver un dataframe lleno de valores True y False, que ofrece una comprensión más clara.

123456789
import pandas as pd import numpy as np dataset = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None], 'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']} animal = pd.DataFrame(dataset) # Find missing values missing_value = animal.isna() print(missing_value)
copy

La segunda función es isnull(). Se comporta de forma idéntica a la anterior, sin que se aprecien diferencias entre ellas. Examinemos su aplicación. Ejecutando el código adjunto veremos si el DataFrame resultante coincide con el del ejemplo anterior.

123456789
import pandas as pd import numpy as np dataset = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None], 'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']} animal = pd.DataFrame(dataset) # Find missing values missing_value = animal.isnull() print(missing_value)
copy

Tarea

Su objetivo es localizar los valores que faltan en un dataframe llamado data_frame.

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 3. Capítulo 6
toggle bottom row

bookHallando Valores Nulos

Los DataFrames suelen contener valores perdidos, representados como None o np.NaN. Cuando se trabaja con dataframes, es esencial identificar estos valores perdidos. Para ello, pandas ofrece funciones específicas.

El primero de ellos es isna(), que devuelve un dataframe booleano. En este contexto, un valor True indica que falta un valor en el datafrane mientras que un valor False sugiere que el valor está presente.

Para mayor claridad, veamos un ejemplo. Ejecute el código proporcionado para ver un dataframe lleno de valores True y False, que ofrece una comprensión más clara.

123456789
import pandas as pd import numpy as np dataset = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None], 'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']} animal = pd.DataFrame(dataset) # Find missing values missing_value = animal.isna() print(missing_value)
copy

La segunda función es isnull(). Se comporta de forma idéntica a la anterior, sin que se aprecien diferencias entre ellas. Examinemos su aplicación. Ejecutando el código adjunto veremos si el DataFrame resultante coincide con el del ejemplo anterior.

123456789
import pandas as pd import numpy as np dataset = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None], 'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']} animal = pd.DataFrame(dataset) # Find missing values missing_value = animal.isnull() print(missing_value)
copy

Tarea

Su objetivo es localizar los valores que faltan en un dataframe llamado data_frame.

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Los DataFrames suelen contener valores perdidos, representados como None o np.NaN. Cuando se trabaja con dataframes, es esencial identificar estos valores perdidos. Para ello, pandas ofrece funciones específicas.

El primero de ellos es isna(), que devuelve un dataframe booleano. En este contexto, un valor True indica que falta un valor en el datafrane mientras que un valor False sugiere que el valor está presente.

Para mayor claridad, veamos un ejemplo. Ejecute el código proporcionado para ver un dataframe lleno de valores True y False, que ofrece una comprensión más clara.

123456789
import pandas as pd import numpy as np dataset = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None], 'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']} animal = pd.DataFrame(dataset) # Find missing values missing_value = animal.isna() print(missing_value)
copy

La segunda función es isnull(). Se comporta de forma idéntica a la anterior, sin que se aprecien diferencias entre ellas. Examinemos su aplicación. Ejecutando el código adjunto veremos si el DataFrame resultante coincide con el del ejemplo anterior.

123456789
import pandas as pd import numpy as np dataset = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None], 'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']} animal = pd.DataFrame(dataset) # Find missing values missing_value = animal.isnull() print(missing_value)
copy

Tarea

Su objetivo es localizar los valores que faltan en un dataframe llamado data_frame.

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
Sección 3. Capítulo 6
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
some-alt