Dados exportados de verdade têm valores ausentes. O pandas mostra um valor ausente como NaN, e a maioria dos cálculos os ignora sem avisar, o que pode esconder problemas.
Comece contando-os:
pos.isna().sum()
isna() retorna True para cada célula com valor ausente, e sum() conta os True de cada coluna. Para ver as próprias linhas, use a máscara como filtro: pos[pos["units"].isna()]. Você não consegue encontrá-las com == None, porque um valor ausente nunca é igual a nada.
Depois, decida o que fazer:
dropna() elimina as linhas que tenham algum valor ausente. Adicione subset=["units"] para verificar apenas as colunas que importam.
fillna(value) preenche os valores ausentes. Um dicionário preenche cada coluna com seu próprio valor: fillna({"payment": "unknown"}).
Ambos retornam um novo DataFrame. Uma coluna de números inteiros com valores ausentes, como units, é armazenada como float64, então você verá 2.0 em vez de 2. Os dados daqui vêm de pos_export.csv, do novo sistema de caixa de Juniper Lane, e estão carregados como pos.
Quantos pedidos usaram um cupom. notna() é o oposto de isna().