数据清理：缺失数据
Coddy Pandas 数据分析 课程的第 6 课，共 19 课。
通常，CSV 文件中会有缺失数据、错误的列名、重复项、错误的值和错误的数据类型。Pandas 模块提供了处理这些问题所需的所有工具。
缺失数据
要查找某个值是否缺失：
df.isna()要了解每列有多少个缺失值：
df.isna().sum()isna() 函数会将所有值转换为 true 或 false（表示是否缺失），然后再进行后续处理。sum() 会将 true 视为 1，将 false 视为 0。
要遍历各列及其缺失值数量，可以像处理字典一样使用 items() 方法（尽管它是 Pandas 的 series 对象）：
for column, missing_num in df.isna().sum().items():
print(column, missing_num)要为整个数据框填充所有缺失值，请使用 fillna() 方法：
df = df.fillna("some value")要只为某一列填充缺失值，请对该列使用 fillna() 函数：
df["some_column"] = df["some_column"].fillna("some value")你还可以删除所有包含缺失值的行：
df = df.dropna()
挑战
简单CSV 文件 missing.csv 中的数据很杂乱。
以下是文件的前 5 行：
ID,COUNTRY,COLOR,SKILL,SKILL_POINTS,UTILIZATION,IS_VALID
1,France,Signal violet,marksmanship,14,0.1924,1
1,France,Signal violet,marksmanship,14,0.1924,1
2,Solomon Islands,Pearl violet,,4,,1
3,Germany,,calligraphy,12,0.88646,0清理数据：
- 对于缺失值超过
2个的所有列，将缺失值填为Missing - 删除其余所有含有缺失值的行。
要查看进度，请打印 df：print(df)
将最终结果存储在 df 变量中。
要通过测试用例，请不要打印 df！
亲手试试
# 已将 pandas 导入为 pd
df = pd.read_csv("./missing.csv")
# 在下方编写你的代码
Pandas 数据分析中的所有课
自己练习： Python 在线编译器