Ви вже розглянули один зі способів обробки значень NaN, але давайте подумаємо, що ще можна зробити з іншими. Подивіться ще раз на 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 віку у 86 рядках, а також 1 пропущене значення у стовпці '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 роботу цієї функції. Якщо у рядку стовпця `'Age'` є значення NaN, цей метод видалить усі значення у цьому ж рядку. Весь рядок буде видалено, якщо хоча б одне значення у ньому відсутнє.