Pandas isna
Los valores faltantes se muestran como el "nan" o "ninguno", como se explicó. El método Pandas ISNA no tiene ningún parámetro involucrado. El tipo de retorno es un marco de datos con un booleano. El "nan" indica los valores "verdaderos". De lo contrario, cada otro datos se asigna como "falso". Para la implementación de los códigos, utilizaremos la herramienta "Spyder", que se encuentra en el lenguaje "Python" infundido. El pandas isna es un nuevo objeto de panda cuyo objeto de entrada es del mismo tamaño."
La sintaxis para los pandas isna ()
Podemos usar el método Panda ISNA en varias estructuras de datos. Comenzando con la sintaxis.
Marco de datos.isna ()En la sintaxis anterior de Pandas ISNA () DataFrame, simplemente tenemos que ingresar el nombre del DataFrame en el que queremos trabajar. Llamar al método se realiza utilizando el "Dot ISNA."También podemos aplicar el método de pandas isna () a los datos de la serie. Para eso, tenemos que asignar el nombre del objeto Serie con el método ISNA ().
Ahora hagamos los ejemplos para una mejor comprensión del método Pandas ISNA. Las siguientes son las formas en que implementaremos en los ejemplos para detectar los valores faltantes en pandas utilizando el método ISNA ():
- Identificar los valores faltantes en una columna DataFrame usando Pandas ISNA.
- Identificar valores faltantes en todo el marco de datos utilizando Pandas ISNA.
- Uso de pandas ISNA para contar los valores nulos dentro de cada columna del marco de datos.
Creación de DataFrame para la implementación de Pandas ISNA ()
En primer lugar, tenemos que importar la biblioteca Pandas como pandas "PD" es una biblioteca de código abierto para manipular los datos, y luego importar la biblioteca Numpy como "NP", que se utiliza para los cálculos numéricos de los datos. Después de importar las bibliotecas, comenzaremos a crear un marco de datos que también se puede escribir como "DF". En el "DF", tenemos el nombre, los países, las ventas y los gastos. Hay "cuatro" variables en las que 2 columnas tienen datos de caracteres y las otras dos tienen datos numéricos. Haga un seguimiento con el comando para imprimir los "datos de ventas". El "np.Nan "en el código es el" NP "como se explicó anteriormente, y el" Nan "significa no un número; En total, es para crear los valores faltantes en el marco de datos.
La salida muestra un marco de datos creado de acuerdo con los datos dados, y podemos ver que algunos de los valores faltan como "nan". Los ejemplos a continuación que haremos dejarán en claro cómo solucionar esto.
Ejemplo 01: Identificar valores faltantes en una columna DataFrame usando pandas isna ()
Aquí, identificaremos los valores faltantes en la columna. Hemos seleccionado la columna "ventas" para detectar sus términos faltantes. Este método ayudará a encontrar los valores faltantes en la columna en la que queremos saber o trabajar en lugar de aplicar el método a todo el marco de datos para centrarse en los términos que necesitamos saber. Tenemos el marco de datos creado a partir del cual podemos ver que en las ventas, falta un valor, escrito como "NP.yaya"; funciona con la técnica de verdadero y falso. Mostrará los valores asignados como "falsos" y los faltantes como "verdaderos".
La salida muestra los resultados en booleano, lo que significa verdadero y falso. Los valores verdaderos y falsos en los que podemos ver claramente dónde se escribe el valor faltante son como "verdaderos".
Ejemplo 02: Identificar valores faltantes en todo el marco de datos utilizando el método Pandas ISNA
En este ejemplo, detectaremos el término faltante como lo hicimos en el ejemplo anterior, pero aquí lo implementaremos en todo el marco de datos. Esto significa que detectaremos los términos faltantes en todo el "DF". El "DF" creado tiene los datos de ventas, que consisten en el nombre, el nombre del país, las ventas y los gastos. La siguiente línea de código explica los datos de venta, que es el nombre del "DF" que se le dio; Podemos elegirlo por nosotros mismos, qué nombre le daremos a su "DF" y luego, está el "punto" isna () que realiza, el método e imprime la salida como verdaderos y falsos términos faltantes en todo el "DF" ".
El resultado muestra que todo el marco de datos está etiquetado como "verdadero" y "falso", que muestra los valores faltantes, como las ventas (3) se etiqueta como "verdadero" y los gastos (2) también se escriben como "verdaderos", lo que significa Esas son la unidad del marco de datos en la que faltan los datos.
Ejemplo 03
Ahora, en este ejemplo, haremos el conteo de valores en el marco de datos con el método Pandas ISNA, el logro de este método sería posible mediante el uso de dos métodos de pandas, los pandas "isna" y el método de "suma" de pandas. Como sabemos, ISNA () se usa para identificar el valor faltante, y la suma que usaremos es para el recuento de los valores faltantes en el "DF". Este método es muy beneficioso, no se usa muy a menudo, pero a medida que el truco se reconoce, el uso está aumentando, ya que hace que la salida del proceso se vea tan claramente que no hay necesidad de contar en cada fila o cada columna, en particular, el recuento de salida hace que sea más simple comprender el número de términos faltantes en el "DF".
Este es un método de sintaxis difícil para poner dos métodos diferentes dentro del mismo paréntesis pero con diferentes líneas. Esta es una técnica muy útil pero poderosa para los datos dispuestos y el análisis realizado en los datos. Podemos llamarlo un método complejo, lo que facilita la depuración y la lectura de los datos.
Aquí, la salida muestra la versión de conteo de los valores faltantes, lo que deja en claro qué columna y cuántos números faltan. La columna de ventas y gastos tiene "2" valores faltantes. Mientras que el nombre y el país no tienen términos faltantes.
Conclusión
En este artículo, hemos aprendido todas las formas en que funciona los pandas isna (). En el "DF", es la forma rápida de verificar los valores faltantes. Hemos realizado los ejemplos para una mejor comprensión de todo el marco de datos del método Pandas ISNA, como por el deseo del método Pandas ISNA de columna seleccionada y el método de recuento de pandas ISNA. Todos estos métodos, a gran escala, funcionan para el mejoramiento y la facilidad de los usuarios, ya que será difícil detectar un valor faltante en millones de conjuntos de datos. Por lo tanto, este enfoque será un salvavidas para todos aquellos que trabajan con una gran cantidad de datos para cualquier proceso de desarrollo.