Menu
CoddyTech
Bắt đầu học

Giá trị thiếu

Thuộc phần Dữ liệu và biểu đồ trong hành trình Machine Learning của Coddy. Bài học 45 trên 60.

Dữ liệu thực tế có những chỗ thiếu: cảm biến bị hỏng, một bài trắc nghiệm bị bỏ lỡ. pandas đánh dấu mỗi ô trống là NaN, nghĩa là “không phải số”:

Bảng gồm bốn học sinh và hai bài trắc nghiệm, có ba ô trống được đánh dấu NaN: Ben bỏ lỡ quiz1, Cy và Dee bỏ lỡ bài trắc nghiệm thứ hai. Bên dưới là số ô trống được đếm theo từng cột: 0, 1 và 2

Hầu hết các mô hình không chấp nhận NaN, vì vậy hãy đếm các ô trống trước. .isna() đánh dấu từng ô là True, còn .sum() đếm chúng:

scores = pd.DataFrame({
    "name": ["Ana", "Ben", "Cy", "Dee"],
    "quiz1": [8, np.nan, 7, 9],  # np.nan là một giá trị còn thiếu
    "quiz2": [6, 5, np.nan, np.nan],
})
print(scores.isna().sum())

Kết quả in ra:

name     0
quiz1    1
quiz2    2
dtype: int64

Sau đó, hãy chọn: dropna() xóa mọi hàng có ô trống; fillna(0) ghi 0 vào từng ô. Cả hai đều trả về một bảng mới, vì vậy hãy lưu bảng đó.

Thống kê bỏ qua NaN: giá trị trung bình của quiz1 là 8.0, tính từ ba điểm đã biết.

challenge icon

Thử thách

Trung bình

Một thiết bị theo dõi thể dục đã bỏ lỡ một số chỉ số trong tracker.csv. Trước khi tập luyện, hãy xem mỗi cách xử lý các khoảng trống làm thay đổi giá trị trung bình của sleep như thế nào. Mã khởi đầu đọc hours, một giá trị dùng để điền vào.

  1. In ra số khoảng trống trong mỗi cột.
  2. In ra giá trị trung bình của giấc ngủ, làm tròn đến 2 chữ số thập phân, theo ba cách: bỏ qua các khoảng trống, chỉ tính những ngày không có khoảng trống ở bất kỳ cột nào và điền hours vào các khoảng trống.

Với một thiết bị theo dõi khác và 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: 7.21

Tự làm thử

import pandas as pd

tracker = pd.read_csv("tracker.csv")
hours = float(input())

# Viết code bên dưới
quiz iconTự kiểm tra

Bài học này có một bài trắc nghiệm ngắn. Bắt đầu bài học để trả lời và theo dõi tiến độ.

Tất cả bài học trong Dữ liệu và biểu đồ

1Giới thiệu

Xin chào, Machine LearningModel là gì?Nhập thư việnBiểu đồ đầu tiên

4Định hình dữ liệu

Định hình lại mảngNối các mảngSố ngẫu nhiênÔn tập: Mô phỏng xúc xắc

7DataFrame trong pandas

SeriesDataFrameĐọc tệp CSVKiểm tra dữ liệuChọn cộtÔn tập: điểm đánh giá phim

10Vẽ biểu đồ DataFrame

Vẽ biểu đồ DataFrameBiểu đồ phân tán từ các cộtMột màu cho mỗi nhómBiểu đồ tần suất của một cộtÔn tập: Doanh số quán cà phê

2Mảng NumPy

Tạo mảngHình dạng và kích thướcDãy sốĐánh chỉ số và cắt mảngÔn tập: Lưới nhiệt độ

5Biểu đồ đường và biểu đồ phân tán

Nhãn và tiêu đềBiểu đồ phân tánNhiều đường và chú giảiMàu sắc và dấu đánh dấuHình và trụcÔn tập: Số bước mỗi tuần

8Lọc và sắp xếp

Chọn các hàngLọc các hàngSắp xếp giá trịCột mớiÔn tập: Sản phẩm hàng đầu

11Bộ dữ liệu dành cho ML

Bộ dữ liệu có sẵnĐặc trưng và nhãnKhám phá theo lớpVẽ biểu đồ các lớpÔn tập: bộ dữ liệu Wine

3Phép toán với mảng

Phép toán trên toàn bộ mảngThống kê tổng hợpThống kê theo trụcPhép broadcastingMặt nạ BooleanÔn tập: Điểm thi

6Biểu đồ dữ liệu

Biểu đồ cộtBiểu đồ tần suấtNhiều biểu đồ trong một hìnhHình ảnh dưới dạng mảngÔn tập: Báo cáo lượng mưa

9Nhóm và làm sạch dữ liệu

Đếm giá trịNhóm dữ liệuNhiều phép tổng hợpGiá trị thiếuÔn tập: Kết quả khảo sát

12Thử thách cuối cùng

Báo cáo doanh sốSố liệu cảm biếnCác chữ số trong nháy mắtNhà thám hiểm chim cánh cụt

Tự luyện tập: Trình biên dịch Python online