Techniques Avancées dans Pandas

Comment Supprimer Uniquement les Valeurs NaN ?

Vous avez géré une façon de traiter les valeurs NaN, mais réfléchissons à ce que nous pouvons faire avec les autres. Regardez le nombre de valeurs aberrantes dans chaque colonne une fois de plus :

Dans le chapitre précédent, vous avez reçu le résultat :


PassengerId	0
Survived	0
Pclass	0
Name	0
Sex	0
Age	86
SibSp	0
Parch	0
Ticket	0
Fare	1
Embarked	0

La façon la plus simple est de supprimer toutes les lignes contenant des valeurs manquantes. Par exemple, 86 lignes avec des âges sont manquantes, ainsi qu'une 1 ligne dans la colonne 'Fare'. Voyons comment nous pouvons les supprimer. Dans pandas, vous pouvez le faire en utilisant une méthode simple, similaire à celle du chapitre précédent, appelée .dropna() :


python
data.dropna(inplace=True)

Ici, vous pouvez utiliser inplace=True pour enregistrer tous les changements. Parlons de la fonction. Si une ligne dans la colonne 'Age' a une valeur NaN, cette méthode supprimera toutes les valeurs dans la même ligne. La ligne entière sera supprimée si au moins une valeur dans la ligne est manquante.

Tâche

Swipe to start coding

Votre tâche ici est de supprimer toutes les valeurs manquantes et de vérifier si vous avez tout fait correctement.

Supprimez les valeurs NaN en utilisant l'argument inplace=True.
Calculez le nombre de valeurs NaN.

Solution

import pandas as pd

data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic_2')

# Delete the column with the greatest number of NaN values

data.dropna(inplace=True)

# Calculate the number of NaN values

Nan = data.isna().sum()

print(Nan)

Tout était clair ?

Merci pour vos commentaires !

Section 5. Chapitre 4

import pandas as pd

data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic_2')

# Drop the `NaN` values

data.___(___)

# Calculate the number of `NaN` values

Nan = data.___().___

print(Nan)

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

some-alt

Techniques Avancées dans Pandas

0%

1. Se Familiariser Avec l'Indexation et la Sélection de Données

Cette section vous apprendra à afficher des colonnes spécifiques par leurs titres ou indices. De plus, vous vous familiariserez avec les façons de sélectionner des lignes par indices.

Affichage des Colonnes par Titre

Exportation des Lignes par Index

Sélection de Lignes et Colonnes Spécifiques

En Savoir Plus sur l'Indexation

Se Familiariser Avec Les Fonctions lambda

Étendre la Fonctionnalité de l'Attribut .iloc[]

2. Gestion des Conditions

Ici, vous apprendrez à extraire des données qui ont des conditions spécifiques. De plus, vous apprendrez à les combiner et même à créer les vôtres.

Définir une Condition

Sélection des Données en Fonction de la Condition

Traiter Plusieurs Conditions

Rendre Votre Code Magnifique

Quiz sur les Conditions

3. Extraction de Données

Dans cette section, vous allez approfondir vos connaissances sur la définition de différentes conditions de données. Vous apprendrez à vérifier si vos données se trouvent dans une liste de valeurs définie ou entre deux valeurs. Vous apprendrez également à trouver les plus grandes et les plus petites valeurs.

Les Données Sont-Elles Dans ...?

Combiner Vos Connaissances

Extraction de Données Spécifiques

Trouver les Plus Petites Valeurs d'une Colonne

Trouver les Plus Grandes Valeurs d'une Colonne

Trouver la Corrélation

4. Agrégation de Données

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

Se Familiariser Avec la Méthode .groupby()

Regroupement par Plusieurs Colonnes

Groupement Compliqué

Groupement Avancé

Gestion des Tableaux Croisés Dynamiques

Créer un Tableau Croisé Dynamique

5. Prétraitement des Données

Cette section est l'une des plus importantes pour un analyste de données car si les données contiennent des valeurs manquantes dans un format incorrect, il sera impossible de travailler avec. Ainsi, vous apprendrez ici comment gérer ces valeurs inappropriées.

Vérification des Valeurs Manquantes

Calcul du Nombre de Valeurs Manquantes

Que Ferons-Nous Avec les Valeurs NaN?

Comment Supprimer Uniquement les Valeurs NaN ?

Remplir les Valeurs Manquantes

Gestion des Variables Catégorielles

Vérification du Type de Colonne

Gestion d'une Colonne Incorrecte

Renommer la Colonne