Contenido del Curso
Primeros Pasos con Pandas
Primeros Pasos con Pandas
Hallando 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.
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)
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.
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)
Tarea
Su objetivo es localizar los valores que faltan en un dataframe llamado data_frame
.
¡Gracias por tus comentarios!
Hallando 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.
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)
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.
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)
Tarea
Su objetivo es localizar los valores que faltan en un dataframe llamado data_frame
.
¡Gracias por tus comentarios!
Hallando 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.
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)
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.
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)
Tarea
Su objetivo es localizar los valores que faltan en un dataframe llamado data_frame
.
¡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.
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)
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.
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)
Tarea
Su objetivo es localizar los valores que faltan en un dataframe llamado data_frame
.