Summary  
This chapter covers detecting missing values in tabular data using Pandas’ isna/isnull functions to produce Boolean masks and then counting and computing the percentage of NaNs per column.

General domain of usage  
Data cleaning in data analysis

In this video, you will learn how to identify missing values in your data using pandas. You will see how the `isna()` and `isnull()` functions work by applying them to the Titanic dataset. The video will walk you through how missing values are represented as `NaN` and why finding them is crucial before analyzing or cleaning your data. You will also see the output of these functions and understand how to interpret the resulting boolean DataFrame, so you can quickly spot columns or rows that require attention.

On ilo nähdä sinut kurssin viimeisessä osiossa. Tässä osiossa käsittelet Titanicin matkustajatietoja. Tarkastellaan niitä ensin:

Ensimmäinen oppimisen vaihe on puuttuvien arvojen etsiminen. Joskus kaikkia sarakkeen arvoja on vaikea tai jopa mahdotonta täyttää; osa niistä voi puuttua. Tällaiset tapaukset voivat vaikuttaa tuloksiisi negatiivisesti. Aineistossa ne näyttävät aina tältä: `NaN`. Selvitetään ensin, sisältääkö aineistosi puuttuvia arvoja.

Pandas-kirjastossa on kaksi funktiota, joilla voit etsiä puuttuvia arvoja aineistosta. Molemmat palauttavat `False`, jos arvo ei puutu, ja `True` jos puuttuu.

```python
data.isna()
# Or
data.isnull()
```


Valitse virheelliset tavat tarkistaa puuttuvat arvot.

Tämä kurssi sisältää runsaasti hyödyllisiä toimintoja tulevalle data-analyytikolle. Opit erilaisia tapoja tietojen poimimiseen ja voit jopa asettaa niille ehtoja. Tämän jälkeen tulet tutuksi tietojen ryhmittelymenetelmien kanssa. Lisäksi opit, kuinka esikäsitellä tietoja. Jokaisessa osiossa on oma tietoaineistonsa, joten kurssi on mukaansatempaava.

Tässä osiossa opit, kuinka voit tulostaa tiettyjä sarakkeita niiden nimien tai indeksien perusteella. Lisäksi tutustut tapoihin, joilla voit valita rivejä indeksien avulla.

Tässä opit, kuinka voit poimia dataa, jolla on tietyt ehdot. Opit myös, kuinka yhdistää näitä ehtoja ja jopa luoda omia ehtoja.

Tässä osiossa laajennat tietämystäsi erilaisten datan ehtojen asettamisesta. Opit tarkistamaan, onko datasi määritellyssä arvolistassa tai kahden arvon välillä. Opit myös löytämään suurimmat ja pienimmät arvot.

Tämä osio on yksi kurssin kiehtovimmista. Tässä opit ryhmittelemään dataa eri tavoilla. Tämä auttaa sinua työskentelemään data-analyytikkona ja löytämään tietoa tietyistä dataryhmistä.

Tämä osio on yksi tärkeimmistä data-analyytikolle, koska jos data sisältää puuttuvia arvoja tai on väärässä muodossa, sen kanssa työskentely on mahdotonta. Tässä opit käsittelemään tällaisia sopimattomia arvoja.

Puuttuvien Arvojen Tarkistaminen

Puuttuvien Arvojen Tarkistaminen