Summary  
This chapter demonstrates how to detect missing values in a dataset by using functions that return boolean indicators for NaNs.  

General domain of usage  
Data cleaning

Je suis heureux de vous retrouver dans la dernière section du cours. Ici, vous allez traiter les données des passagers du Titanic. Commençons par les examiner :

La première étape de notre apprentissage consiste à identifier les valeurs manquantes. D'ailleurs, il est parfois difficile, voire impossible, de remplir toutes les valeurs d'une colonne ; certaines peuvent être absentes. De tels cas peuvent fausser vos résultats. Dans le jeu de données, elles apparaissent toujours ainsi : `NaN`. Commençons par vérifier si votre jeu de données contient des valeurs manquantes.

Pandas propose deux fonctions que vous pouvez appliquer au jeu de données pour détecter les valeurs manquantes. Toutes deux indiqueront `False` si les valeurs ne sont pas manquantes, et `True` dans le cas contraire.

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


Veuillez sélectionner les méthodes INCORRECTES pour vérifier la présence de valeurs manquantes.

Ce cours contient de nombreuses fonctions utiles pour un futur analyste de données. Vous découvrirez différentes méthodes d'extraction de données et pourrez même y appliquer des conditions. Ensuite, vous vous familiariserez avec les méthodes de regroupement des données. Vous apprendrez également à prétraiter les données. Chaque section dispose de son propre jeu de données, rendant le cours captivant.

Cette section vous apprendra à afficher des colonnes spécifiques par leurs titres ou indices. Vous découvrirez également les différentes méthodes de sélection des lignes par indices.

Ici, vous apprendrez à extraire des données répondant à des conditions spécifiques. Vous découvrirez également comment les combiner et même créer vos propres conditions.

Dans cette section, vous approfondirez vos connaissances sur la définition de différentes conditions de données. Vous apprendrez à vérifier si vos données figurent dans une liste de valeurs définies ou se situent entre deux valeurs. Vous découvrirez également comment identifier les valeurs les plus grandes et les plus petites.

Cette section est l'une des plus fascinantes du cours. Vous apprendrez ici à regrouper les données de différentes manières. Cela vous aidera à travailler en tant qu'analyste de données pour obtenir des informations sur des groupes de données spécifiques.

Cette section est l'une des plus importantes pour un analyste de données, car si les données contiennent des valeurs manquantes ou sont dans un format incorrect, il sera impossible de les exploiter. Ainsi, vous apprendrez ici comment traiter de telles valeurs inappropriées.

Vérification des Valeurs Manquantes

Awesome!

Vérification des Valeurs Manquantes