Apenas um número limitado de modelos de aprendizado de máquina consegue lidar com valores ausentes, portanto, é necessário verificar o conjunto de dados para garantir que não restem lacunas. Se houver valores ausentes, eles podem ser tratados de duas maneiras:

• Remover as linhas que contêm valores ausentes;
• Preencher as células vazias com valores substitutos, um processo conhecido como imputação.

Identificação de Valores Ausentes

Para exibir informações gerais sobre o conjunto de dados e verificar a existência de valores ausentes, pode-se utilizar o método .info() de um DataFrame.

O conjunto de dados possui 344 entradas, mas as colunas 'culmen_depth_mm', 'flipper_length_mm', 'body_mass_g' e 'sex' contêm menos de 344 valores não nulos cada, indicando a presença de dados ausentes.

Para identificar o número de valores ausentes em cada coluna, aplique o método .isna() e, em seguida, utilize .sum().

Linhas contendo valores ausentes podem ser exibidas com: df[df.isna().any(axis=1)]

Remoção de Linhas

A primeira e a última linhas contêm apenas os valores da variável alvo ('species') e de 'island', fornecendo informações insuficientes para serem úteis. Essas linhas podem ser removidas mantendo apenas aquelas com menos de dois valores NaN e reatribuindo-as ao df.

Em contraste, as linhas restantes contêm informações úteis, com valores NaN aparecendo apenas na coluna 'sex'. Em vez de remover essas linhas, os valores ausentes podem ser imputados. Uma abordagem comum é utilizar o transformador SimpleImputer, que será abordado no próximo capítulo.