Summary  
This chapter covers using pandas DataFrame aggregation methods: `count()` to count non-null values per column (or in a specific column) and `sum()` to total numeric or boolean columns (including counting missing values via `isna().sum()`).  

General domain of usage  
Data analysis

`pandas` offre la méthode `count()`, qui compte toutes les cellules **non-nulles** (ni `None` ni `NaN`) pour chaque colonne.
```python
df = pd.read_csv(file.csv)
number_of_cells = df.count()
```

Pour trouver le **nombre** de valeurs non-nulles dans une colonne spécifique, utilisez la syntaxe suivante :
```python
df = pd.read_csv(file.csv)
number_of_cells = df['name of the column'].count()
```

`pandas` fournit également la méthode `sum()`. Cette méthode calcule la somme des valeurs pour chaque colonne, mais elle ne fonctionne qu'avec les colonnes **numériques** ou **booléennes**.
```python
df = pd.read_csv(file.csv)
total = df.sum()
```

Étant donné que la méthode `isna()` renvoie un **DataFrame booléen**, vous pouvez utiliser la syntaxe suivante pour calculer le nombre de valeurs manquantes pour chacune des colonnes :

```python
missing_values_count = df.isna().sum()
```

Pour trouver la somme des valeurs dans une colonne particulière, utilisez la syntaxe suivante :
```python
df = pd.read_csv(file.csv)
total = df['name of the column'].sum()
```

Pandas est une bibliothèque extrêmement conviviale pour l'analyse de données. Elle est également conçue pour gérer de grands ensembles de données, en utilisant des structures de données comme DataFrame et Series. Cela en fait un outil inestimable pour la science des données. Dans ce guide, vous vous familiariserez avec une gamme de fonctions statistiques, y compris comment trouver des corrélations, des modes, des médianes, et des valeurs maximales et minimales au sein d'un ensemble de données. Vous apprendrez également à gérer les valeurs manquantes et à manipuler des valeurs spécifiques, ainsi qu'à les supprimer.

Dans cette section, nous explorerons les fondamentaux des structures Series et DataFrame. Vous apprendrez également les distinctions entre ces deux types de structures.

Les données peuvent être obtenues dans divers formats, tels que CSV, JSON, SQL, HTML, et plus encore. Avec Pandas, vous n'êtes pas limité à un seul format — vous pouvez travailler avec des données provenant de nombreux types de fichiers. Dans ce chapitre, nous nous concentrerons spécifiquement sur les formats CSV et TXT.

Ici, vous apprendrez à traiter les données brutes en supprimant les informations superflues et en gérant les valeurs nulles dans un ensemble de données.

Sum() et Count()

Solution

Awesome!

Sum() et Count()

Solution