Summary  
This chapter demonstrates how to detect missing values in a dataset by using functions that return boolean indicators for NaNs.  

General domain of usage  
Data cleaning

Jag är glad att se dig i kursens sista avsnitt. Här kommer du att bearbeta data om Titanics passagerare. Först ska vi undersöka den:

Det första steget i vårt lärande är att hitta saknade värden. För övrigt är det ibland svårt eller till och med omöjligt att fylla i alla värden i en kolumn; vissa av dem kan saknas. Sådana fall kan förstöra ditt resultat. I datasetet ser de alltid ut så här: `NaN`. Låt oss först ta reda på om ditt dataset innehåller saknade värden.

Pandas har två funktioner som du kan använda på datasetet för att hitta saknade värden. Båda kommer att visa `False` om värdena inte saknas, och `True` annars.

```python
data.isna()
# Or
data.isnull()
```


Vänligen välj de FELAKTIGA sätten att kontrollera saknade värden.

Denna kurs innehåller många användbara funktioner för en blivande dataanalytiker. Du kommer att lära dig olika sätt att extrahera data och även sätta villkor på den. Därefter kommer du att bli bekant med metoder för att gruppera data. Du kommer också att lära dig hur man förbehandlar data. Varje avsnitt har sin egen datamängd, vilket gör kursen engagerande.

Detta avsnitt lär dig hur du kan visa specifika kolumner med hjälp av deras titlar eller index. Du kommer även att bekanta dig med metoder för att välja rader baserat på index.

Här kommer du att lära dig hur du extraherar data som uppfyller specifika villkor. Du kommer även att lära dig hur du kombinerar dessa och till och med skapa egna.

I det här avsnittet kommer du att fördjupa dina kunskaper om att ange olika datavillkor. Du kommer att lära dig att kontrollera om dina data finns i en definierad lista av värden eller mellan två värden. Du kommer även att lära dig hur du hittar de största och minsta värdena.

Detta avsnitt är ett av de mest fascinerande i kursen. Här får du lära dig hur man grupperar data på olika sätt. Det hjälper dig att arbeta som dataanalytiker för att ta fram information om specifika datagrupper.

Detta avsnitt är ett av de mest betydelsefulla för en dataanalytiker eftersom det blir omöjligt att arbeta med data om den innehåller saknade värden eller felaktigt format. Här lär du dig hur du hanterar sådana olämpliga värden.

Kontroll av Saknade Värden

Awesome!

Kontroll av Saknade Värden