Jak działa pandas isna w języku Python? Przykład zastosowania

Jeśli pracujesz z językiem Python i korzystasz z biblioteki Pandas, to na pewno spotkałeś się z koniecznością sprawdzania brakujących danych. W takich sytuacjach przydaje się funkcja pandas.isna(). Jak dokładnie działa? W tym artykule przyjrzymy się jej zastosowaniom i pokażę kilka praktycznych przykładów.

Czym jest pandas.isna()?

Funkcja pandas.isna() to metoda dostępna w bibliotece Pandas, która pozwala identyfikować brakujące wartości w strukturach danych takich jak Series oraz DataFrame. W zwracanych wynikach, brakujące wartości oznaczane są jako True, natomiast wartości obecne jako False.

Jak używać pandas.isna() w Pythonie?

Najprostszy sposób na wykorzystanie tej funkcji to zastosowanie jej do obiektów Pandas. Może działać zarówno na pojedynczych kolumnach danych, jak i całych zbiorach.

1. Sprawdzenie brakujących wartości w Series

Seria Pandas to jednowymiarowa struktura danych, czyli coś w rodzaju listy z indeksami. Zobaczmy przykład:

import pandas as pd

# Tworzymy Series z brakującymi wartościami
data = pd.Series([1, 2, None, 4, None, 6])

# Zastosowanie isna()
missing_values = data.isna()

print(missing_values)

Wynik:

0    False
1    False
2     True
3    False
4     True
5    False
dtype: bool

Widzimy, że w miejscach, gdzie występują wartości None, funkcja zwróciła True.

2. Sprawdzenie braków w DataFrame

W przypadku DataFrame, gdzie mamy wiele kolumn, funkcja pandas.isna() działa na całą tabelę.

import pandas as pd

# Tworzymy DataFrame z brakującymi danymi
data = {'A': [1, 2, None, 4], 'B': [None, 5, 6, None]}
df = pd.DataFrame(data)

# Sprawdzenie brakujących wartości
missing_values_df = df.isna()

print(missing_values_df)

Wynik:

       A      B
0  False   True
1  False  False
2   True  False
3  False   True

Widzimy, że Pandas zwraca True w miejscach, gdzie brakuje danych.

Przydatne zastosowania pandas.isna()

Funkcja pandas.isna() przydaje się nie tylko do identyfikowania braków, ale także do ich obsługi. Oto kilka popularnych zastosowań:

1. Liczenie brakujących wartości

Można łatwo obliczyć, ile wartości brakuje w każdej kolumnie:

missing_count = df.isna().sum()
print(missing_count)

Wynik:

A    1
B    2
dtype: int64

2. Filtrowanie wierszy z brakami

Jeśli chcemy wyświetlić tylko te wiersze, w których występują braki:

rows_with_missing_values = df[df.isna().any(axis=1)]
print(rows_with_missing_values)

Wynik:

     A    B
0  1.0  NaN
2  NaN  6.0
3  4.0  NaN

3. Usuwanie braków

W przypadku chęci usunięcia wierszy z brakami można użyć:

df_cleaned = df.dropna()
print(df_cleaned)

4. Uzupełnianie brakujących wartości

Jeśli chcemy zastąpić brakujące wartości określoną liczbą, np. zerem:

df_filled = df.fillna(0)
print(df_filled)

Podsumowanie

Funkcja pandas.isna() w Pythonie to potężne narzędzie do identyfikacji braków w zbiorach danych. Dzięki niej możemy nie tylko sprawdzać, gdzie brakuje wartości, ale także je analizować, filtrować oraz uzupełniać. Warto z niej korzystać przy przetwarzaniu danych, aby uniknąć błędów wynikających z pustych komórek. Mam nadzieję, że ten artykuł rozjaśnił Ci działanie tej funkcji w Pandas i pomoże w Twojej pracy z danymi!

 

Inny ciekawy artykuł:

Jak działa pandas to_numeric w języku Python? Przykład zastosowania