Summary  
This chapter covers handling missing values by explicitly substituting null entries with defaults or removing them, using fill_null and drop_nulls operations to control how nulls propagate in data.  

General domain of usage  
Data cleaning

This video demonstrates how to handle missing `steam_deck_status` values in a Polars DataFrame using `fill_null` and `drop_null`, and provides insight into Polars' philosophy for managing missing data efficiently.
-- video metadata (use this info when making a video) --

Cut all examples of code to a minimum. Show only the essential code. Show code no longer than 10 lines. Remove all possible pieces to demonstrate some code feature. You may show not full code that will not start, but still demonstrates some feature theoritacally.
If code is longer than 8 lines, move code output  blocks to second column.


Ved arbeid med data fra virkeligheten vil du ofte støte på manglende eller null-verdier. I Polars representeres disse som `null` i stedet for `NaN` eller andre plassholdere. Håndtering av manglende verdier er avgjørende for å opprettholde integriteten i analysen din.

Anta at du har en DataFrame med en `steam_deck_status`-kolonne, men noen oppføringer mangler. Du kan håndtere disse manglende verdiene på to hovedmåter: fylle dem med en standardverdi eller fjerne radene helt.

For å fylle manglende verdier i `steam_deck_status`-kolonnen med strengen `"Unknown"`, bruk metoden `fill_null`:

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)

Hvis du heller vil fjerne alle rader der `steam_deck_status` mangler, bruk metoden `drop_nulls`. Dette vil returnere en DataFrame som kun inneholder radene der alle kolonner (eller en spesifisert kolonne) ikke er null:

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

Polars er utviklet for å håndtere manglende data effektivt og eksplisitt. I motsetning til noen biblioteker som behandler manglende verdier som en spesiell flyttallsverdi (`NaN`), bruker Polars `null` som et tydelig signal på manglende verdi, uavhengig av datatypen. Denne tilnærmingen unngår tvetydighet og sikrer at manglende data håndteres konsekvent på tvers av kolonner, enten de inneholder **strenger**, **tall** eller **datoer**.

`pl.col("steam_deck_status").fill_null("Unknown")`;

Nulls in `steam_deck_status` replaced by "Unknown";

Removes rows with nulls in specified columns;

Rows with nulls in `steam_deck_status` are gone;

Consistent and efficient missing data handling.

Hvilken metode ville du brukt for å erstatte manglende verdier i kolonnen `steam_deck_status` med `"Unknown"`?

Et praktisk, videregående kurs for Python-utviklere som ønsker å mestre datahåndtering med Polars, ved bruk av virkelige datasett fra Steam-spill. Lær Polars' kolonnebaserte paradigme, utvalg, aggregering, sammenkobling, omforming og essensielle operasjoner for tekst, dato og manglende data.

Utforsk de grunnleggende forskjellene mellom Polars og tradisjonelle radbaserte DataFrames, med fokus på kolonnebaserte operasjoner, seleksjon og betinget logikk ved bruk av Steam-spilldatasettet.

Få en solid forståelse av Polars' parallelle group-by, aggregering, sammenkobling og omforming ved bruk av datasett fra Steam-spill og spioninnsikt.

Utforsk det grunnleggende innen datarensing: tekstnormalisering, datoanalyse og robust håndtering av manglende verdier i Polars.

Håndtering av null-verdier