Oppiskele Puuttuvien Arvojen Löytäminen

DataFrame-taulukoissa esiintyy usein puuttuvia arvoja, jotka on merkitty None- tai NaN-arvoilla. Työskenneltäessä DataFramejen kanssa on tärkeää tunnistaa nämä puuttuvat arvot, sillä ne voivat vääristää laskelmia, johtaa virheellisiin analyyseihin ja heikentää tulosten luotettavuutta.

Puuttuvien arvojen käsittely varmistaa datan eheyden ja parantaa tehtävien, kuten tilastollisen analyysin ja koneoppimisen, suorituskykyä. Tätä varten pandas tarjoaa erityisiä menetelmiä.

Ensimmäinen näistä on isna(), joka palauttaa totuusarvotaulukon (boolean DataFrame). Tässä yhteydessä True-arvo osoittaa puuttuvan arvon DataFramessa, kun taas False tarkoittaa, että arvo on olemassa.

Selkeyden vuoksi sovelletaan tätä menetelmää animals-DataFrameen. isna()-menetelmä palauttaa DataFrame-taulukon, jossa on True/False-arvoja; jokainen True ilmaisee puuttuvan arvon animals-DataFramessa.


              123456789
            
import pandas as pd
import numpy as np

animals_data = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None],
'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']}
animals = pd.DataFrame(animals_data)
# Find missing values
missing_values = animals.isna()
print(missing_values)

Toinen menetelmä on isnull(). Se toimii samalla tavalla kuin edellinen, eikä niiden välillä ole havaittavaa eroa.

Tehtävä

Swipe to start coding

Sinulle on annettu DataFrame nimeltä wine_data.

Hae tästä DataFrame:stä puuttuvat arvot ja tallenna tulos muuttujaan missing_values.

Ratkaisu

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 3. Luku 6

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Suggested prompts:

What is the difference between None and NaN in pandas?

Can you explain how to handle or fill missing values in a DataFrame?

Why is it important to identify missing values before analysis?

Awesome!

Completion rate improved to 3.03

Pyyhkäise näyttääksesi valikon


              123456789
            
import pandas as pd
import numpy as np

animals_data = {'animal': [np.NaN, 'Dog', np.NaN, 'Cat','Parrot', None],
'name': ['Dolly', None, 'Erin', 'Kelly', None, 'Odie']}
animals = pd.DataFrame(animals_data)
# Find missing values
missing_values = animals.isna()
print(missing_values)