Як 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:
| PassengerId | 0 |
| Survived | 0 |
| Pclass | 0 |
| Name | 0 |
| Sex | 0 |
| Age | 86 |
| SibSp | 0 |
| Parch | 0 |
| Ticket | 0 |
| Fare | 1 |
| Embarked | 0 |
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.
Swipe to start coding
Ваше завдання — видалити всі пропущені значення та перевірити, чи все виконано правильно.
- Видаліть значення
NaN, використовуючи аргументinplace=True. - Обчисліть кількість значень
NaN.
Рішення
Дякуємо за ваш відгук!
single
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
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 3.03Як 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:
| PassengerId | 0 |
| Survived | 0 |
| Pclass | 0 |
| Name | 0 |
| Sex | 0 |
| Age | 86 |
| SibSp | 0 |
| Parch | 0 |
| Ticket | 0 |
| Fare | 1 |
| Embarked | 0 |
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.
Swipe to start coding
Ваше завдання — видалити всі пропущені значення та перевірити, чи все виконано правильно.
- Видаліть значення
NaN, використовуючи аргументinplace=True. - Обчисліть кількість значень
NaN.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
single
