Pandas Isna
Die fehlenden Werte werden als "Nan" oder "keine" angezeigt, wie erläutert. Die Pandas ISNA -Methode hat keine Parameter beteiligt. Der Rückgabetyp ist ein Datenrahmen mit einem Booleschen. Das „Nan“ zeigt die „wahren“ Werte an. Andernfalls werden alle anderen Daten als "falsch" zugeordnet. Für die Implementierung der Codes werden wir das Tool „Spyder“ verwenden, das in der infundierten „Python“ -Prachsprache steht. Die Pandas Isna ist ein neues Objekt von Panda, dessen Eingabefiel von gleicher Größe ist.”
Die Syntax für die Pandas ISNA ()
Wir können die Panda ISNA -Methode für verschiedene Datenstrukturen verwenden. Erste Schritte mit der Syntax.
Datenrahmen.ISNA ()In der obigen Syntax von Pandas isna () DataFrame müssen wir lediglich den Namen des Datenrahmens eingeben, an dem wir arbeiten möchten. Das Aufrufen der Methode erfolgt mit dem „Punkt ISNA.„Wir können auch die Methode von Pandas isna () auf die Seriendaten anwenden. Dafür müssen wir den Namen des Serienobjekts der ISNA () -Methode zuweisen.
Lassen Sie uns nun die Beispiele für ein besseres Verständnis der Pandas ISNA -Methode machen. Im Folgenden werden wir in den Beispielen implementieren, um die fehlenden Werte in Pandas mit der ISNA () -Methode zu erkennen:
- Identifizieren fehlender Werte in einer DataFrame -Spalte mit Pandas ISNA.
- Identifizieren fehlender Werte im gesamten Datenrahmen mit Pandas ISNA.
- Verwenden Sie Pandas ISNA, um die Nullwerte in jeder Spalte des Datenrahmens zu zählen.
Erstellen des Datenrahmens für die Implementierung von Pandas ISNA ()
Zunächst müssen wir die PANDAS -Bibliothek als „PD“ Pandas importieren. Nach dem Importieren der Bibliotheken werden wir beginnen, einen Datenrahmen zu erstellen, der auch als „DF“ geschrieben werden kann. In der „DF“ haben wir den Namen, die Länder, den Umsatz und die Ausgaben. Es gibt "vier" Variablen, in denen 2 Spalten Zeichendaten und die anderen beiden numerischen Daten haben. Verfolgen Sie den Befehl, um die „Verkaufsdaten“ zu drucken. Das „NP.Nan “im Code ist das„ NP “, wie oben erläutert, und die„ Nan “steht für keine Zahl; Insgesamt dient es zum Erstellen der fehlenden Werte im Datenrahmen.
Die Ausgabe zeigt einen erstellten Datenrahmen gemäß den angegebenen Daten, und wir können sehen, dass einige der Werte als „NAN“ fehlen. Die folgenden Beispiele, die wir tun werden.
Beispiel 01: Identifizieren fehlender Werte in einer DataFrame -Spalte mit pandas isna ()
Hier identifizieren wir die fehlenden Werte in der Spalte. Wir haben die Spalte „Verkäufe“ ausgewählt, um die fehlenden Begriffe zu erkennen. Diese Methode hilft dabei, die fehlenden Werte in der Spalte zu finden, die wir kennen oder daran arbeiten möchten, anstatt die Methode auf den gesamten Datenrahmen anzuwenden, um sich auf die Begriffe zu konzentrieren, die wir wissen müssen. Wir haben den Datenrahmen erstellt, aus dem wir sehen können, dass im Verkauf ein Wert fehlt, der als „NP“ geschrieben wird.Nan ”; Es funktioniert mit der Technik von wahr und falsch. Es wird die als "falschen" und die vermissten als "wahr" zugewiesenen Werte angezeigt.
Die Ausgabe zeigt die Ergebnisse in boolean an, was wahr und falsch bedeutet. Die wahren und falschen Werte, in denen wir klar erkennen können, wo der fehlende Wert geschrieben ist, sind so „wahr“.
Beispiel 02: Identifizierung fehlender Werte im gesamten Datenfreame mithilfe der Pandas ISNA -Methode
In diesem Beispiel werden wir den fehlenden Begriff wie im vorherigen Beispiel erkennen, aber hier werden wir ihn in den gesamten Datenrahmen implementieren. Dies bedeutet, dass wir fehlende Begriffe in der gesamten „DF“ erkennen werden. Das „DF“ erstellt enthält die Verkaufsdaten, die aus Namen, Ländernamen, Verkäufen und Ausgaben bestehen. Die nächste Codezeile erläutert die Verkaufsdaten, die der Name des ihm gegebenen „DF“ ist. Wir können es selbst auswählen, welchen Namen wir Ihrem „DF“ geben werden, und dann gibt es den „Punkt“ isna (), der die Methode ausführt, und druckt die Ausgabe als wahr und falsche Erkennung fehlender Begriffe in der gesamten „DF ”.
Die Ausgabe zeigt, dass der gesamte Datenrahmen als „wahr“ und „Falsch“ bezeichnet wird und die fehlenden Werte wie Verkäufe (3) als „wahr“ bezeichnet wird, und die Kosten (2) werden ebenfalls als „wahr“ geschrieben, was bedeutet Dies sind die Einheit des Datenrahmens, in dem die Daten fehlen.
Beispiel 03
In diesem Beispiel werden wir nun das Zählen von Werten im Datenrahmen mit der Pandas ISNA -Methode durchführen. Die Erreichung dieser Methode wäre durch die Verwendung von zwei Methoden von Pandas, den Pandas „ISNA“ und der Pandas -Summenmethode, möglich. Wie wir wissen, wird ISNA () verwendet, um den fehlenden Wert zu identifizieren, und die Summe, die wir verwenden werden, ist für die Zählung der fehlenden Werte in der „DF“ gilt. Diese Methode ist sehr vorteilhaft und nicht sehr oft verwendet, aber da der Trick anerkannt wird macht es einfacher, die Anzahl der fehlenden Begriffe im „DF“ zu verstehen.
Dies ist eine knifflige Syntaxmethode, um zwei verschiedene Methoden in dieselbe Klammern zu setzen, jedoch mit unterschiedlichen Linien. Dies ist eine sehr hilfreiche und dennoch leistungsstarke Technik für die Daten, die die Daten abwickelt und die Analyse der Daten durchgeführt hat. Wir können es eine komplexe Methode nennen, die das Debuggen und Lesen der Daten erleichtert.
Hier zeigt die Ausgabe die Anzahl der fehlenden Werte an, wodurch deutlich wird, welche Spalte und wie viele Zahlen fehlen. Die Verkäufe und die Spalte der Ausgaben haben beide "2" fehlende Werte. Während der Name und das Land keine fehlenden Begriffe haben.
Abschluss
In diesem Artikel haben wir alle Möglichkeiten gelernt, wie die Pandas Isna () funktioniert. In der "DF" ist es die schnelle Möglichkeit, die fehlenden Werte zu überprüfen. Wir haben die Beispiele für ein besseres Verständnis des gesamten Datenrahmens der Pandas ISNA -Methode durchgeführt, wie nach dem Wunsch die ausgewählte Spalte Pandas ISNA -Methode und die Grafmethode von Pandas ISNA. Alle diese Methoden arbeiten in großem Umfang für die Verbesserung und Erleichterung der Benutzer, da es schwierig sein wird, einen fehlenden Wert in Millionen von Datensätzen zu erkennen. Dieser Ansatz ist also ein Lebensretter für alle, die mit einer großen Menge an Daten für jeden Entwicklungsprozess arbeiten.