Um Nullwerte **bei Beibehaltung aller Zeilen** im `DataFrame` zu behandeln, wird die Methode `fillna()` verwendet. Sie ermöglicht es, jede leere Zelle durch einen **bestimmten Wert** (wie einen String oder eine Zahl) zu ersetzen, anstatt sie zu entfernen.

Watch this video to learn how to handle null values in pandas using the fillna() method. You'll see how to replace missing data in your DataFrame with a specific value, such as a number or string, without removing any rows. This approach helps you keep your dataset complete and ready for analysis. The video demonstrates practical code examples and explains why filling nulls is important for data integrity.

Um Nullwerte durch die Zahl 0 zu ersetzen, wird die Methode `fillna()` verwendet:
```python
import pandas as pd
df = pd.read_csv(file.csv)
new_df = df.fillna(0)
```

import unittest
import importlib
import pandas as pd


def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


def get_first_differing_row(expected_df, actual_df):
    expected_list = expected_df.astype(str).apply(tuple, axis=1)
    actual_list = actual_df.astype(str).apply(tuple, axis=1)

    for i, (row1, row2) in enumerate(zip(expected_list, actual_list)):
        if row1 != row2:
            return i, expected_df.iloc[i].values, actual_df.iloc[i].values

    if len(expected_df) > len(actual_df):
        return len(actual_df), expected_df.iloc[len(actual_df)].values, None
    else:
        return len(expected_df), None, actual_df.iloc[len(expected_df)].values


class TestUserCode(unittest.TestCase):

    def test_wine_data_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'wine_data'),
            "The `wine_data` variable is declared.",
            "Expected `wine_data` to be declared."
        )

    def test_wine_data_is_dataframe(self):
        import user_code

        try:
            condition = isinstance(user_code.wine_data, pd.DataFrame)
            failure_message = f"Expected `wine_data` to be a `DataFrame`, but got `{type(user_code.wine_data).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `wine_data` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `wine_data` is a `DataFrame`.",
            failure_message
        )

    def test_wine_data_has_no_nulls(self):
        import user_code

        try:
            condition = not user_code.wine_data.isnull().values.any()
            failure_message = "Expected `wine_data` to have no null values, but null values are still present."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'wine_data', None):
                failure_message = "The `wine_data` variable is not declared."
            else:
                failure_message = f"`wine_data` is not a `DataFrame`."
        _dynamic_test(
            self,
            condition,
            "`wine_data` has no null values after cleaning.",
            failure_message
        )

    def test_nulls_replaced_with_no(self):
        import user_code

        try:
            condition = (user_code.wine_data.values == 'no').sum() == 7
            failure_message = "Expected all null values in `wine_data` to be replaced with 'no', but they were not."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'wine_data', None):
                failure_message = "The `wine_data` variable is not declared."
            else:
                failure_message = f"`wine_data` is not a `DataFrame`."
        _dynamic_test(
            self,
            condition,
            "Null values in `wine_data` are replaced with 'no'.",
            failure_message
        )

    def test_wine_data_has_correct_values(self):
        import user_code

        wine_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine_with_nan.csv')
        expected_df = wine_data.fillna('no')

        variable = 'wine_data'
        actual_df = getattr(user_code, variable, None)
        condition = False
        if actual_df is None:
            failure_message = f"The `{variable}` variable is not declared."
        elif not isinstance(actual_df, pd.DataFrame):
            failure_message = f"`{variable}` is not a `DataFrame`."
        elif actual_df.empty:
            failure_message = f"`{variable}` is empty."
        elif actual_df.equals(expected_df):
            condition = True
            failure_message = None
        else:
            idx, expected_row, actual_row = get_first_differing_row(expected_df, actual_df)
            failure_message = f"Expected `{variable}` to contain `{expected_row}` at row {idx}, but got `{actual_row}`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct data.",
            failure_message
        )


if __name__ == '__main__':
    unittest.main()

test_main.py

Pandas ist eine äußerst benutzerfreundliche Bibliothek für die Datenanalyse. Sie ist zudem darauf ausgelegt, große Datensätze mithilfe von Datenstrukturen wie DataFrame und Series zu verarbeiten. Dadurch ist sie ein unverzichtbares Werkzeug für Data Science. In diesem Leitfaden lernen Sie verschiedene statistische Funktionen kennen, einschließlich der Ermittlung von Korrelationen, Modalwerten, Mediane sowie maximalen und minimalen Werten innerhalb eines Datensatzes. Sie erfahren außerdem, wie fehlende Werte behandelt und spezifische Werte manipuliert sowie entfernt werden können.

Tauchen Sie ein in die Grundlagen der pandas-Bibliothek. Erstellung und Manipulation von Series und DataFrames, Untersuchung ihrer Struktur sowie Aufbau von Sicherheit bei der Durchführung grundlegender Datenoperationen.

Erlernen Sie das Laden und Verwalten von Daten aus CSV- und TXT-Dateien. Sammeln Sie praktische Erfahrungen beim Importieren von Datensätzen und deren Vorbereitung für die weitere Analyse mit den Werkzeugen von pandas.

Erlernen Sie das effektive Erkunden, Bereinigen und Zusammenfassen von Daten. Verstehen Sie den Umgang mit fehlenden Werten, das Gewinnen von Erkenntnissen und das Durchführen grundlegender statistischer Operationen mit pandas.

Herausforderung: Ausfüllen von Nullwerten

Lösung