Summary  
This chapter explains how to remove rows that contain any NaN values from a dataset using the pandas DataFrame method `.dropna()` with `inplace=True`.  

General domain of usage  
Data preprocessing in data analysis

Du har hanterat ett sätt att behandla NaN-värden, men låt oss fundera på vad vi kan göra med de andra. Titta en gång till på antalet avvikande värden i varje kolumn:

I föregående kapitel fick du resultatet:

|||
|---|---|
|PassengerId|0|
|Survived|0|
|Pclass|0|
|Name|0|
|Sex|0|
|Age|86|
|SibSp|0|
|Parch|0|
|Ticket|0|
|Fare|1|
|Embarked|0|


Det enklaste sättet är att ta bort alla rader som innehåller saknade värden. Till exempel saknas `86` rader med åldersvärden, samt `1` rad i kolumnen `'Fare'`. Låt oss undersöka hur vi kan ta bort dem. I pandas kan du göra detta med en enkel metod, liknande den i föregående kapitel, som heter ` .dropna()`:
```python
data.dropna(inplace=True)
```

Här kan du använda `inplace=True` för att spara alla ändringar. Låt oss diskutera funktionen. Om en rad i kolumnen `'Age'` har ett NaN-värde, kommer denna metod att ta bort alla värden i samma rad. Hela raden tas bort om minst ett värde i raden saknas.

import unittest
import pandas as pd
import io
import sys


def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestDropna(unittest.TestCase):
    def test_no_missing_values(self):
        """
        1. After dropping NaN values, DataFrame should contain no missing values.
        """
        import user_code

        assert hasattr(user_code, "data"), "Variable 'data' not found."
        df_user = user_code.data

        condition = df_user.isna().sum().sum() == 0
        _dynamic_test(
            self,
            condition,
            "All missing values were successfully removed from the DataFrame.",
            "The DataFrame still contains NaN values. Use data.dropna(inplace=True)."
        )


class TestCountNaN(unittest.TestCase):
    def test_nan_count_series(self):
        """
        2. The Series with NaN counts should contain all zeros.
        """
        import user_code
        assert hasattr(user_code, "Nan"), "Variable 'Nan' not found."

        nan_series = user_code.Nan
        condition = isinstance(nan_series, pd.Series) and nan_series.sum() == 0
        _dynamic_test(
            self,
            condition,
            "The Series with NaN counts contains only zeros â no missing values remain.",
            "The NaN count is not zero for all columns. Check your dropna() operation."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        3. The output of the NaN count should be printed.
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.Nan)
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The NaN count is printed correctly.",
            "No output detected. Ensure you print the NaN count Series."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Denna kurs innehåller många användbara funktioner för en framtida dataanalytiker. Du kommer att lära dig olika metoder för 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.

Hur man tar bort endast NaN-värden?

Lösning


PassengerId	0
Survived	0
Pclass	0
Name	0
Sex	0
Age	86
SibSp	0
Parch	0
Ticket	0
Fare	1
Embarked	0