Jak działa pandas notna w języku Python? Przykład zastosowania

„`html

Pracując z danymi w Pythonie, często musimy sprawdzić, które wartości w naszych zbiorach są dostępne, a które to braki. Biblioteka pandas oferuje nam wygodne narzędzie do tego zadania – funkcję pandas.notna(). W tym artykule dokładnie wyjaśnię, jak działa ta funkcja, jakie są jej praktyczne zastosowania i jak można ją wykorzystać do analizy danych.

Co to jest pandas.notna()?

pandas.notna() to funkcja biblioteki pandas, która sprawdza, czy dany element nie jest wartością pustą (NaN – Not a Number). Jest to odwrotność funkcji pandas.isna(). Oznacza to, że pandas.notna() zwraca True dla wszystkich wartości, które nie są brakami (czyli które istnieją w zbiorze danych).

Jak działa pandas.notna() w praktyce?

Najlepiej zobaczyć działanie tej funkcji na przykładach.

Sprawdzanie pojedynczych wartości

Możemy użyć pandas.notna() do sprawdzenia pojedynczej wartości:

import pandas as pd
import numpy as np

print(pd.notna(5))          # True
print(pd.notna("hello"))    # True
print(pd.notna(np.nan))     # False
print(pd.notna(None))       # False

Jak widać, wartości liczbowe oraz tekstowe zwracają True, natomiast wartości brakujące (NaN, None) zwracają False.

Zastosowanie dla obiektów Series

Gdy pracujemy z pandas.Series, możemy łatwo sprawdzić, które wartości z kolekcji nie są brakami:

data = pd.Series([1, np.nan, "Python", None, 42])
print(pd.notna(data))

Wynik będzie następujący:

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

Funkcja zwraca obiekt Series zawierający True dla tych elementów, które nie są brakami.

Zastosowanie dla DataFrame

Podobnie możemy sprawdzić wartości w ramach tabeli DataFrame:

df = pd.DataFrame({
    'A': [1, np.nan, 3],
    'B': ['x', 'y', None],
    'C': [np.nan, 4, 5]
})

print(pd.notna(df))

Wynik:

	A	B	C
0	True	True	False
1	False	True	True
2	True	False	True

Jak widać, tabela zawiera wartości True we wszystkich miejscach, gdzie istnieją dane, i False tam, gdzie znajdują się braki.

Praktyczne zastosowania pandas.notna()

Funkcja ta znajduje zastosowanie w wielu miejscach analizy danych. Oto kilka przykładów:

1. Filtrowanie wierszy bez pustych wartości

Chcąc pozbyć się wierszy zawierających braki, możemy skorzystać z notna() w połączeniu z metodą loc:

df_clean = df.loc[pd.notna(df['A'])]
print(df_clean)

2. Liczenie niepustych wartości

Jeżeli chcemy sprawdzić, ile jest rzeczywistych wartości w każdej kolumnie, możemy użyć:

print(df.notna().sum())

To pozwoli szybko określić, w której kolumnie mamy najwięcej braków.

3. Wypełnianie brakujących wartości

Za pomocą notna() możemy również wypełnić brakujące wartości w oparciu o dostępne dane:

df['A'] = df['A'].fillna(df['A'][df['A'].notna()].mean())

W ten sposób możemy uzupełnić braki średnią arytmetyczną.

Podsumowanie

Funkcja pandas.notna() w języku Python to potężne narzędzie do identyfikowania brakujących wartości w zbiorach danych. Możemy jej używać zarówno na pojedynczych wartościach, jak i na obiektach Series oraz DataFrame. Dzięki temu możemy łatwo filtrować, liczyć i obsługiwać brakujące dane.

Jeśli pracujesz z bazami danych i często napotykasz wartości NaN lub None, warto opanować pandas.notna(), aby efektywnie analizować dane i pozbywać się braków.

„` Inny ciekawy artykuł: Jak działa pandas isna w języku Python? Przykład zastosowania