Hur man tar bort endast NaN-värden?
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():
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.
Swipe to start coding
Din uppgift här är att ta bort alla saknade värden och kontrollera om du har gjort allt korrekt.
- Ta bort
NaN-värdena med argumentetinplace=True. - Beräkna antalet
NaN-värden.
Lösning
Tack för dina kommentarer!
single
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
What are the potential drawbacks of deleting rows with missing values?
Can you explain how .dropna() works in more detail?
Are there alternative methods to handle missing values besides deleting rows?
Awesome!
Completion rate improved to 3.03Hur man tar bort endast NaN-värden?
Svep för att visa menyn
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():
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.
Swipe to start coding
Din uppgift här är att ta bort alla saknade värden och kontrollera om du har gjort allt korrekt.
- Ta bort
NaN-värdena med argumentetinplace=True. - Beräkna antalet
NaN-värden.
Lösning
Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedanTack för dina kommentarer!
single
