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.

Me alegra verte en la última sección del curso. Aquí, procesarás datos sobre los pasajeros del Titanic. Primero, vamos a examinarlo:

El primer paso de nuestro aprendizaje es encontrar valores faltantes. Por cierto, a veces es difícil o incluso imposible completar todos los valores de una columna; algunos pueden estar ausentes. Estos casos pueden afectar negativamente tu resultado. En el conjunto de datos, siempre se ven así: `NaN`. Primero, averigüemos si tu conjunto de datos contiene valores faltantes.

Pandas tiene dos funciones que puedes aplicar al conjunto de datos para encontrar valores faltantes. Ambas pondrán `False` si los valores del conjunto de datos no están ausentes, y `True` en caso contrario.

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


Selecciona las formas INCORRECTAS de comprobar valores faltantes.

Este curso contiene muchas funciones útiles para un futuro analista de datos. Aprenderás diferentes formas de extraer datos e incluso establecer condiciones sobre ellos. Después de esto, estarás familiarizado con los métodos de agrupación de datos. Además, aprenderás cómo preprocesar datos. Cada sección tiene su propio conjunto de datos, lo que hace que el curso sea atractivo.

Esta sección te enseñará cómo mostrar columnas específicas por sus títulos o índices. Además, te familiarizarás con las formas en que puedes seleccionar filas por índices.

Aquí aprenderás cómo extraer datos que cumplen condiciones específicas. Además, aprenderás cómo combinarlas e incluso crear tus propias condiciones.

En esta sección, ampliarás tus conocimientos sobre cómo establecer diferentes condiciones de datos. Aprenderás a verificar si tus datos se encuentran en una lista definida de valores o entre dos valores. También aprenderás a encontrar los valores más grandes y más pequeños.

Esta sección es una de las más fascinantes del curso. Aquí aprenderás cómo agrupar datos de diferentes maneras. Te ayudará a trabajar como analista de datos para descubrir información sobre grupos de datos específicos.

Esta sección es una de las más significativas para un analista de datos porque si los datos contienen valores faltantes o en un formato incorrecto, será imposible trabajar con ellos. Por lo tanto, aquí aprenderás cómo tratar con dichos valores inapropiados.

Verificación de Valores Faltantes