学ぶ Null値の処理 | 文字列、日付、欠損データ

メニューを表示するにはスワイプしてください

実際のデータを扱う際には、欠損値やnull値に頻繁に遭遇します。Polarsでは、これらはnullや他のプレースホルダーではなく、NaNとして表現されます。欠損値の処理は、分析の整合性を保つために不可欠です。

たとえば、steam_deck_status列を持つDataFrameがあり、一部のエントリが欠損している場合があります。これらの欠損値には主に2つの対処方法があります。デフォルト値で埋めるか、行ごと削除する方法です。

steam_deck_status列の欠損値を文字列"Unknown"で埋めるには、fill_nullメソッドを使用します。


              123456789101112
            
import polars as pl

df = pl.DataFrame({
    "game": ["Portal", "Half-Life", "Aperture Desk Job", "Counter-Strike"],
    "steam_deck_status": ["Verified", None, "Playable", None]
})

# Fill nulls with "Unknown"
df_filled = df.with_columns(
    pl.col("steam_deck_status").fill_null("Unknown")
)
print(df_filled)

steam_deck_statusが欠損している行を削除したい場合は、drop_nullsメソッドを使用します。これにより、すべての列（または指定した列）がnullでない行のみを含むDataFrameが返されます。


              123
            
# Drop rows where steam_deck_status is null
df_no_nulls = df.drop_nulls("steam_deck_status")
print(df_no_nulls)

Polars は欠損データを効率的かつ明示的に処理するよう設計されています。一部のライブラリが欠損値を特別な浮動小数点値（NaN）として扱うのに対し、Polars ではデータ型に関係なく null を欠損値の明確なシグナルとして使用します。このアプローチにより曖昧さが排除され、文字列、数値、日付のいずれの列でも一貫して欠損データを処理できます。

すべて明確でしたか？

フィードバックありがとうございます！

セクション 3. 章 5

AIに質問する

何でも質問するか、提案された質問の1つを試してチャットを始めてください

セクション 3. 章 5