Menangani Data yang Hilang

Data yang hilang umum ditemukan dalam kumpulan data dan dapat memengaruhi analisis serta kinerja model. Dalam pelajaran ini, kita akan mempelajari teknik untuk mengidentifikasi dan menangani nilai yang hilang secara efektif.

Anda dapat mengidentifikasi data yang hilang dalam Python menggunakan Pandas. Metode isnull() mendeteksi nilai yang hilang dalam kumpulan data.

Contoh:

import pandas as pd data = {'Age': [25, None, 30], 'Name': ['Alice', 'Bob', None]} df = pd.DataFrame(data) print(df.isnull())

Metode isnull() dapat dipadukan dengan sum() untuk menghitung nilai yang hilang di setiap kolom.

Contoh:

print(df.isnull().sum())

Anda dapat menghapus baris atau kolom yang memiliki data yang hilang menggunakan metode dropna().

Contoh:

df_cleaned = df.dropna()

Gunakan metode fillna() untuk mengganti nilai yang hilang dengan nilai tertentu, seperti rata-rata atau median.

Contoh:

df['Age'] = df['Age'].fillna(df['Age'].mean())

Isi nilai yang hilang menggunakan nilai sebelum atau sesudahnya dengan method='ffill' atau method='bfill'.

Contoh:

df['Age'] = df['Age'].fillna(method='ffill')

Pertimbangkan kumpulan data dan tujuan analisis saat menangani data yang hilang:

• Gunakan dropna() untuk baris yang memiliki banyak nilai yang hilang.
• Gunakan fillna() dengan rata-rata atau median untuk data numerik.
• Gunakan pengisian maju atau mundur untuk data deret waktu.

Dalam pelajaran ini, Anda telah mempelajari cara:

• Mengidentifikasi nilai yang hilang menggunakan isnull().
• Menghitung nilai yang hilang dengan sum().
• Menangani data yang hilang dengan menghapus atau mengisi nilai.
• Memilih teknik yang tepat berdasarkan kumpulan data Anda.

Anda telah menyelesaikan pelajaran tentang Penanganan Data yang Hilang. Lanjutkan ke pelajaran berikutnya untuk mempelajari teknik Normalisasi Data.