Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Як Видалити Лише Значення NaN? | Попередня Обробка Даних
Просунуті Техніки в Pandas

bookЯк Видалити Лише Значення NaN?

Ви вже розглянули один зі способів обробки значень NaN, але давайте подумаємо, що ще можна зробити з іншими. Перегляньте ще раз кількість пропусків у кожному стовпці:

У попередньому розділі ви отримали результат:

PassengerId0
Survived0
Pclass0
Name0
Sex0
Age86
SibSp0
Parch0
Ticket0
Fare1
Embarked0

Найпростіший спосіб — видалити всі рядки, які містять пропущені значення. Наприклад, відсутні значення у 86 рядках для віку, а також у 1 рядку стовпця 'Fare'. Давайте розглянемо, як їх можна видалити. У pandas це можна зробити за допомогою простого методу, схожого на той, що використовувався у попередньому розділі, — .dropna():

data.dropna(inplace=True)

Тут можна використати inplace=True, щоб зберегти всі зміни. Розглянемо цю функцію. Якщо у рядку стовпця 'Age' є значення NaN, цей метод видалить усі значення у цьому рядку. Весь рядок буде видалено, якщо хоча б одне значення у ньому відсутнє.

Завдання

Swipe to start coding

Ваше завдання — видалити всі пропущені значення та перевірити, чи все виконано правильно.

  1. Видаліть значення NaN, використовуючи аргумент inplace=True.
  2. Обчисліть кількість значень NaN.

Рішення

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 5. Розділ 4
single

single

Запитати АІ

expand

Запитати АІ

ChatGPT

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

Suggested prompts:

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?

close

Awesome!

Completion rate improved to 3.03

bookЯк Видалити Лише Значення NaN?

Свайпніть щоб показати меню

Ви вже розглянули один зі способів обробки значень NaN, але давайте подумаємо, що ще можна зробити з іншими. Перегляньте ще раз кількість пропусків у кожному стовпці:

У попередньому розділі ви отримали результат:

PassengerId0
Survived0
Pclass0
Name0
Sex0
Age86
SibSp0
Parch0
Ticket0
Fare1
Embarked0

Найпростіший спосіб — видалити всі рядки, які містять пропущені значення. Наприклад, відсутні значення у 86 рядках для віку, а також у 1 рядку стовпця 'Fare'. Давайте розглянемо, як їх можна видалити. У pandas це можна зробити за допомогою простого методу, схожого на той, що використовувався у попередньому розділі, — .dropna():

data.dropna(inplace=True)

Тут можна використати inplace=True, щоб зберегти всі зміни. Розглянемо цю функцію. Якщо у рядку стовпця 'Age' є значення NaN, цей метод видалить усі значення у цьому рядку. Весь рядок буде видалено, якщо хоча б одне значення у ньому відсутнє.

Завдання

Swipe to start coding

Ваше завдання — видалити всі пропущені значення та перевірити, чи все виконано правильно.

  1. Видаліть значення NaN, використовуючи аргумент inplace=True.
  2. Обчисліть кількість значень NaN.

Рішення

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 5. Розділ 4
single

single

some-alt