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` oferece o método `count()`, que conta todas as células **não nulas** (nem `None` nem `NaN`) para cada coluna.
```python
df = pd.read_csv(file.csv)
number_of_cells = df.count()
```

Para encontrar a **contagem** de valores não nulos em uma coluna específica, use a seguinte sintaxe:
```python
df = pd.read_csv(file.csv)
number_of_cells = df['name of the column'].count()
```

`pandas` também fornece o método `sum()`. Este método calcula a soma dos valores para cada coluna, mas só funciona com colunas **numéricas** ou **booleanas**.
```python
df = pd.read_csv(file.csv)
total = df.sum()
```

Como o método `isna()` retorna um **DataFrame booleano**, você pode usar a seguinte sintaxe para calcular o número de valores ausentes para cada uma das colunas:

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

Para encontrar a soma dos valores em uma coluna específica, use a seguinte sintaxe:
```python
df = pd.read_csv(file.csv)
total = df['name of the column'].sum()
```

Pandas é uma biblioteca extremamente amigável para análise de dados. Também é projetada para lidar com grandes conjuntos de dados, usando estruturas de dados como DataFrame e Series. Isso a torna uma ferramenta inestimável para Ciência de Dados. Neste guia, você se familiarizará com uma variedade de funções estatísticas, incluindo como encontrar correlações, modas, medianas e valores máximos e mínimos dentro de um conjunto de dados. Você também aprenderá a lidar com valores ausentes e manipular valores específicos, bem como como removê-los.

Nesta seção, exploraremos os fundamentos das estruturas Series e DataFrame. Você também aprenderá sobre as distinções entre esses dois tipos de estruturas.

Os dados podem ser obtidos em vários formatos, como CSV, JSON, SQL, HTML e mais. Com o Pandas, você não está limitado a um único formato — você pode trabalhar com dados em uma variedade de tipos de arquivos. Neste capítulo, vamos nos concentrar especificamente nos formatos CSV e TXT.

Aqui, você aprenderá a processar dados brutos removendo informações desnecessárias e gerenciando valores nulos em um conjunto de dados.

Sum() e Count()

Solução

Awesome!

Sum() e Count()

Solução