Summary  
This chapter explains how to remove rows that contain any NaN values from a dataset using the pandas DataFrame method `.dropna()` with `inplace=True`.  

General domain of usage  
Data preprocessing in data analysis

Ви вже ознайомилися з одним із 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 такий 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 віку у `86` рядках, а також у стовпці `1` відсутнє значення в `'Fare'` рядку. Розглянемо, як їх можна видалити. У pandas це можна зробити за допомогою простого методу, подібного до того, що використовувався у попередньому розділі, а саме ` .dropna()`:  
```python
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 в цьому ж рядку. Весь рядок буде видалено, якщо хоча б одне значення у ньому відсутнє.

import unittest
import pandas as pd
import io
import sys


def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestDropna(unittest.TestCase):
    def test_no_missing_values(self):
        """
        1. After dropping NaN values, DataFrame should contain no missing values.
        """
        import user_code

        assert hasattr(user_code, "data"), "Variable 'data' not found."
        df_user = user_code.data

        condition = df_user.isna().sum().sum() == 0
        _dynamic_test(
            self,
            condition,
            "All missing values were successfully removed from the DataFrame.",
            "The DataFrame still contains NaN values. Use data.dropna(inplace=True)."
        )


class TestCountNaN(unittest.TestCase):
    def test_nan_count_series(self):
        """
        2. The Series with NaN counts should contain all zeros.
        """
        import user_code
        assert hasattr(user_code, "Nan"), "Variable 'Nan' not found."

        nan_series = user_code.Nan
        condition = isinstance(nan_series, pd.Series) and nan_series.sum() == 0
        _dynamic_test(
            self,
            condition,
            "The Series with NaN counts contains only zeros â no missing values remain.",
            "The NaN count is not zero for all columns. Check your dropna() operation."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        3. The output of the NaN count should be printed.
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.Nan)
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The NaN count is printed correctly.",
            "No output detected. Ensure you print the NaN count Series."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Цей курс містить багато корисних функцій для майбутнього аналітика даних. Ви ознайомитеся з різними способами вилучення даних та встановлення умов для них. Після цього ви будете знайомі з методами групування даних. Також ви дізнаєтеся, як здійснювати попередню обробку даних. Кожен розділ має власний набір даних, що робить курс захоплюючим.

У цьому розділі ви дізнаєтеся, як виводити конкретні стовпці за їхніми назвами або індексами. Також ви ознайомитеся зі способами вибору рядків за індексами.

Тут ви дізнаєтеся, як витягувати дані за певними умовами. Також ви ознайомитеся з методами їх комбінування та створення власних умов.

У цьому розділі ви поглибите знання щодо встановлення різних умов для даних. Ви дізнаєтеся, як перевіряти, чи належать ваші дані до визначеного списку значень або знаходяться між двома значеннями. Ви також навчитеся знаходити найбільші та найменші значення.

Цей розділ є одним із найцікавіших у курсі. Тут ви дізнаєтеся, як групувати дані різними способами. Це допоможе вам працювати як аналітик даних для отримання інформації про окремі групи даних.

Цей розділ є одним із найважливіших для аналітика даних, оскільки якщо дані містять пропущені значення або неправильний формат, працювати з ними буде неможливо. Тут ви дізнаєтесь, як обробляти такі некоректні значення.

Як Видалити Лише Значення NaN?

Рішення


PassengerId	0
Survived	0
Pclass	0
Name	0
Sex	0
Age	86
SibSp	0
Parch	0
Ticket	0
Fare	1
Embarked	0