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.

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 trouver les valeurs manquantes. Toutes deux renverront `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 les valeurs manquantes.

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

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

Ici, vous apprendrez à extraire des données répondant à des conditions spécifiques. Vous apprendrez également à les combiner et même à 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 définie ou se situent entre deux valeurs. Vous apprendrez également à identifier les valeurs les plus grandes et les plus petites.

Cette section est l'une des plus fascinantes du cours. Ici, vous apprendrez à regrouper des 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