Пропуски в pandas. NaN, pd.NA, None. Часть 1. Определение и проверка

В этом видеоуроке я говорю о пропусках в данных (missing values). Чаще всего пропуски в данных представлены в виде значений NaN (not a number). Это такое специальное значение библиотеки numpy, обозначающее отсутствие числа с типом данных float. Но есть и другие значения, которые так же рассматриваются как пропущенные значения.

00:00 | О пропусках данных в работе аналитика
05:19 | Какими бывают пропущенные значения? NaN, None, pd.NA
08:22 | Правила преобразований типа данных в серии, содержащей пропуск
10:06 | NaN не равен самому себе
10:36 | Функции для проверки пропусков (pd.isnull, pd.notna, np.isnan etc.)
11:51 | pd.NA - экспериментальный нулевой объект для массивов с типом данных int
12:35 | Строка не считается пропущенным значением
13:07 | Используем replace для замены строковых значений на пропуски NaN
14:15 | Функции для чтения файлов по умолчанию считают ряд значений как NaN
15:57 | Параметр na_values функции pd.read_csv
16:29 | Параметр keep_default_na функции pd.read_csv
16:58 | Параметр na_filter функции pd.read_csv
17:15 | Вывод. Какие значения считаются отсутствующими
17:36 | Заключение

Ставь ЛАЙК, если считаешь это видео полезным, и тогда его увидят другие :)
Поддержать автора на boosty - https://boosty.to/dataanalystvictoria...

Связанные видеоуроки
   • Работа с пропусками NaN в DataFrame. Подсч...  
   • Методы UNIQUE, NUNIQUE, VALUE_COUNTS. Уник...  
   • Извлечение данных по условию. Булева индек...  
   • Чтение и запись файлов формата CSV (READ_C...  
   • Типы данных в pandas. Изменение и выборка ...  
   • Метод DROP. Удаление строк и столбцов из с...