Свайпніть щоб показати меню

Filling In the Missing Values

Deleting missing values is not the only way to get rid of them. You can also replace all NaNs with a defined value, for instance, with the mean value of the column or with zeros. It can be useful in a lot of cases. You will learn this in the course Learning Statistics with Python.

Look at the example of filling missing values in the column 'Age' with the median value of this column:


              1234
            
import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic_2', index_col = 0)
data['Age'].fillna(value=data['Age'].median(), inplace=True)
print(data['Age'].isna().sum())

Explanation:


python

value = data['Age'].median() - using the argument value, we tell the .fillna() method what to do with the NaN values. In this case, we applied the .fillna() method to the column 'Age' and replaced all missing values with the median of the column;
inplace=True - the argument we can use for saving changes.

Завдання

Swipe to start coding

One of the most common ways of filling missing values is replacing them with the mean value of the column. So, your task here is to replace the NaN values in the column 'Age' with the mean value of the column (using the inplace = True argument). Then output the sum of the missing value in the column 'Age'.

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 5. Розділ 5

Запитати АІ

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