Los datos exportados reales tienen valores ausentes. pandas muestra un valor ausente como NaN, y la mayoría de los cálculos los omiten sin avisarte, lo que puede ocultar problemas.
Empieza por contarlos:
pos.isna().sum()
isna() devuelve True para cada celda con un valor ausente, y sum() cuenta los valores True de cada columna. Para ver las filas, usa la máscara como filtro: pos[pos["units"].isna()]. No puedes encontrarlas con == None, porque un valor ausente nunca es igual a nada.
Después, decide qué hacer:
dropna() elimina las filas que tengan algún valor ausente. Añade subset=["units"] para revisar solo las columnas que importan.
fillna(value) rellena los valores ausentes. Un diccionario rellena cada columna con su propio valor: fillna({"payment": "unknown"}).
Ambos devuelven un DataFrame nuevo. Una columna de números enteros con valores ausentes, como units, se almacena como float64, por lo que verás 2.0 en lugar de 2. Los datos de aquí proceden de pos_export.csv, del nuevo sistema de caja de Juniper Lane, y están cargados como pos.
Cuántos pedidos usaron un cupón. notna() es lo contrario de isna().