Вивчайте Обробка Null-значень | Рядки, дати, відсутні дані

Свайпніть щоб показати меню

Під час роботи з реальними даними часто зустрічаються відсутні або null-значення. У Polars такі значення представлені як null, а не як NaN чи інші заповнювачі. Обробка відсутніх значень є важливою для збереження цілісності аналізу.

Припустимо, у вас є DataFrame зі стовпцем steam_deck_status, але деякі записи відсутні. Можна впоратися з цими відсутніми значеннями двома основними способами: заповнити їх значенням за замовчуванням або повністю видалити відповідні рядки.

Щоб заповнити відсутні значення у стовпці steam_deck_status рядком "Unknown", використовуйте метод fill_null:


              123456789101112
            
import polars as pl

df = pl.DataFrame({
    "game": ["Portal", "Half-Life", "Aperture Desk Job", "Counter-Strike"],
    "steam_deck_status": ["Verified", None, "Playable", None]
})

# Fill nulls with "Unknown"
df_filled = df.with_columns(
    pl.col("steam_deck_status").fill_null("Unknown")
)
print(df_filled)

Якщо потрібно видалити всі рядки, де значення steam_deck_status відсутнє, використовуйте метод drop_nulls. Це поверне DataFrame, що містить лише ті рядки, у яких усі стовпці (або вказаний стовпець) не містять null-значень:


              123
            
# Drop rows where steam_deck_status is null
df_no_nulls = df.drop_nulls("steam_deck_status")
print(df_no_nulls)

Polars розроблений для ефективної та явної обробки відсутніх даних. На відміну від деяких бібліотек, які розглядають відсутні значення як спеціальне число з плаваючою комою (NaN), Polars використовує null як чіткий сигнал відсутності, незалежно від типу даних. Такий підхід усуває неоднозначність і гарантує послідовну обробку відсутніх даних у стовпцях, незалежно від того, чи містять вони рядки, числа або дати.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 3. Розділ 5

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Секція 3. Розділ 5