Menemukan NaNs yang Tersembunyi di Tabel Anda
isna, sum, dan peta data yang hilang
Menemukan NaNs yang Tersembunyi di Tabel Anda adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Data Science Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Data Science Academy mencakup 4 pelajaran total.
Mengapa Data yang Hilang Penting
Dataset nyata penuh dengan bagian yang kosong. Sebelum melakukan analisis apa pun, Anda perlu tahu di mana nilai yang hilang berada, karena nilai tersebut diam-diam mengacaukan setiap hasil yang Anda percayai. 🔎
Berkenalan dengan NaN
Di pandas, sel kosong biasanya muncul sebagai NaN, singkatan dari Not a Number. Ini adalah penanda standar untuk nilai yang memang tidak tersedia.
NaN Bukan Nol
Jebakan umum: memperlakukan NaN seolah-olah nilainya 0. Nol adalah pengukuran nyata, sedangkan NaN berarti Anda sama sekali tidak memiliki pengukuran. Keduanya menyampaikan cerita yang sangat berbeda.
Menemukan Bagian Kosong dengan isna
Metode isna() mengembalikan tabel True dan False, satu penanda untuk setiap sel, yang menunjukkan dengan tepat lokasi nilai yang hilang di seluruh DataFrame Anda.
missing = df.isna()
print(missing.head())Menghitung Nilai yang Hilang per Kolom
Rangkai isna().sum() untuk menghitung sel yang hilang di setiap kolom sekaligus. True dihitung sebagai 1, sehingga setiap total menunjukkan jumlah nilai yang hilang dalam kolom tersebut.
df.isna().sum()Total Keseluruhan
Ingin mendapatkan satu total keseluruhan dari semua nilai yang hilang dalam tabel? Tambahkan sum() lagi untuk menggabungkan jumlah per kolom menjadi satu angka.
df.isna().sum().sum()Nilai yang Hilang sebagai Persentase
Jumlah mentah dapat menyesatkan pada tabel besar. Bagilah dengan len(df) untuk melihat persentase setiap kolom yang hilang, sehingga Anda dapat menentukan seberapa serius tindakan yang diperlukan.
df.isna().mean() * 100notna untuk Nilai yang Terisi
Kebalikan dari isna adalah notna(), yang menandai sel yang memang berisi nilai. Ini berguna jika Anda hanya ingin mempertahankan baris yang lengkap.
df.notna().sum()Peta Nilai yang Hilang dengan Cepat
Heatmap dari isna() mengubah nilai yang hilang menjadi gambar, sehingga kelompok baris atau kolom yang bermasalah terlihat jauh lebih cepat daripada jika Anda memeriksa angka satu per satu.
import seaborn as sns
sns.heatmap(df.isna())Baris dengan Nilai yang Hilang
Untuk memeriksa baris yang bermasalah, saring baris yang memiliki nilai any yang hilang. Dengan begitu, Anda dapat melihat catatan mana yang benar-benar perlu diperhatikan.
df[df.isna().any(axis=1)]Mengapa Pemetaan Dilakukan Terlebih Dahulu
Memetakan nilai yang hilang sebelum memperbaiki apa pun membantu Anda tetap objektif. Anda menentukan cara menangani nilai yang hilang berdasarkan bukti, bukan dugaan tentang seberapa buruk kondisinya.
Pemeriksaan Cepat
Anda ingin mengetahui jumlah nilai yang hilang di setiap kolom. Ekspresi mana yang memberikan hasil tersebut?
Ringkasan: Anda Dapat Melihat Nilai yang Hilang
Sekarang Anda dapat menemukan data yang hilang dengan isna, menghitungnya per kolom, melihatnya sebagai persentase, dan memetakannya secara visual. Melihat nilai yang hilang adalah langkah pertama untuk memperbaikinya.
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Menemukan NaNs yang Tersembunyi di Tabel Anda” gratis?
Ya — teks lengkap “Menemukan NaNs yang Tersembunyi di Tabel Anda” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Data Science Academy, upgrade ke CoddyKit PRO. Kursus Data Science Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Menemukan NaNs yang Tersembunyi di Tabel Anda”?
isna, sum, dan peta data yang hilang Kamu berlatih Data Science Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Data Science Academy?
Tidak diperlukan pengalaman sebelumnya. Data Science Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Menemukan NaNs yang Tersembunyi di Tabel Anda” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Menemukan NaNs yang Tersembunyi di Tabel Anda
- Menghapus atau Mengisi: Memilih dengan Bijak
- Melakukan Imputasi dengan Mean, Median, atau Modus
- Memperbaiki dtypes dan Baris Duplikat