Ekspor data yang sebenarnya sering memiliki nilai yang hilang. pandas menampilkan nilai yang hilang sebagai NaN, dan sebagian besar perhitungan melewatinya tanpa memberi tahu Anda, sehingga masalah bisa tersembunyi.
Mulailah dengan menghitungnya:
pos.isna().sum()
isna() menghasilkan True untuk setiap sel yang hilang, dan sum() menghitung jumlah True di setiap kolom. Untuk melihat baris-barisnya, gunakan mask sebagai filter: pos[pos["units"].isna()]. Anda tidak bisa menemukannya dengan == None, karena nilai yang hilang tidak pernah sama dengan apa pun.
Setelah itu, putuskan apa yang akan dilakukan:
dropna() menghapus baris yang memiliki nilai hilang. Tambahkan subset=["units"] agar hanya kolom yang penting yang diperiksa.
fillna(value) mengisi nilai yang hilang. Dictionary mengisi setiap kolom dengan nilainya sendiri: fillna({"payment": "unknown"}).
Keduanya mengembalikan DataFrame baru. Kolom bilangan bulat yang memiliki nilai hilang, seperti units, disimpan sebagai float64, sehingga Anda akan melihat 2.0, bukan 2. Data di sini berasal dari pos_export.csv, dari sistem kasir baru Juniper Lane, dan dimuat sebagai pos.
Berapa banyak pesanan yang memakai kupon. notna() adalah kebalikan dari isna().