Valeurs manquantes
Fait partie de la section Données et visualisations du Journey Machine Learning de Coddy. Leçon 45 sur 60.
Les données réelles comportent des lacunes : un capteur tombe en panne, un quiz est manqué. pandas marque chaque cellule vide par NaN, « pas un nombre » :
La plupart des modèles refusent les valeurs NaN, alors compte d’abord les valeurs manquantes. .isna() marque chacune d’elles True, et .sum() les compte :
scores = pd.DataFrame({
"name": ["Ana", "Ben", "Cy", "Dee"],
"quiz1": [8, np.nan, 7, 9], # np.nan représente une valeur manquante
"quiz2": [6, 5, np.nan, np.nan],
})
print(scores.isna().sum())Cela affiche :
name 0
quiz1 1
quiz2 2
dtype: int64Choisis ensuite : dropna() supprime chaque ligne contenant une lacune ; fillna(0) écrit 0 dans chacune. Les deux renvoient un nouveau tableau, alors enregistre-le.
Les statistiques ignorent NaN : la moyenne de quiz1 est de 8.0, calculée à partir de ses trois notes connues.
Défi
MoyenUn bracelet connecté a manqué certaines mesures dans tracker.csv. Avant l’entraînement, voyez comment chaque méthode de traitement des lacunes modifie la moyenne de sleep. Le code de départ lit hours, une valeur de remplacement.
- Affichez le nombre de lacunes dans chaque colonne.
- Affichez la moyenne de sleep, arrondie à 2 décimales, selon trois méthodes : en ignorant les lacunes, sur les jours sans lacune dans aucune colonne, et en remplaçant les lacunes par
hours.
Pour un autre bracelet connecté et 8 :
day 0
steps 1
sleep 2
water 0
dtype: int64
Skipping gaps: 6.9
Complete days only: 7.0
Gaps filled with 8.0: 7.21Essayez vous-même
import pandas as pd
tracker = pd.read_csv("tracker.csv")
hours = float(input())
# Écrivez votre code ci-dessous
Testez-vousCette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.
Toutes les leçons de Données et visualisations
1Introduction
Bonjour, Machine LearningQu’est-ce qu’un modèle ?Importer des bibliothèquesVotre premier graphique4Façonner les données
Remodeler les tableauxJoindre des tableauxNombres aléatoiresRécapitulatif : simulation de dés2Tableaux NumPy
Créer des tableauxForme et taillePlages de nombresIndexation et découpageRécapitulatif : grille de températures5Graphiques en courbes et nuages de points
Étiquettes et titresNuages de pointsPlusieurs courbes et légendesCouleurs et marqueursFigures et axesRécapitulatif : pas hebdomadaires3Calculs sur les tableaux
Opérations mathématiques sur des tableaux entiersStatistiques récapitulativesStatistiques par axeDiffusionMasques booléensRécapitulatif : notes d’examen6Graphiques de données
Diagrammes en barresHistogrammesPlusieurs graphiques en unImages sous forme de tableauxRécapitulatif : rapport sur les précipitations9Regrouper et nettoyer
Compter les valeursRegrouper les donnéesPlusieurs résumésValeurs manquantesRécapitulatif : résultats de l’enquêteEntraînez-vous par vous-même : Compilateur Python en ligne