DVAN Tab VX Neo (4GB+4GB/128GB)ADVAN TAB VX NEO adalah tablet terbaru dari Advan yang memiliki design elegant, stylish dan modern, serta memiliki kinerja yang sangat baik untuk mendukung produktifitas pengguna seperti bermain game, bekerja, belajar, daring (Zoom, Google meet, dll) . Free Klik Disini ! |
Seringkali kita menjumpai kondisi dimana data yang kita cari tidak ada, atau bahkan data itu hilang.
Kondisi ini butuh penanda agar data yang disajikan mudah dipahami oleh user lain.
Pandas sebagai pengolah data pada bahasa python mampu menghadirkan penanganan data missing.
Karena data datang dalam berbagai bentuk yang berbeda, pandas sangat fleksibel dalam menangani data yang hilang.
Sementara NaN adalah penanda nilai hilang default. Untuk alasan kecepatan dan kenyamanan komputasi kita harus dapat dengan mudah mendeteksi nilai ini dengan data dari berbagai jenis: floating point, integer, boolean, dan objek lainya.
Namun, dalam banyak kasus, Python None akan muncul dan itu perlu di beri penanda spesifik dengan NaN.
Sebelum melanjutkan tutorial ini pastikan bahwa Anda telah berada pada mode environment.
Jika Anda ingin tau lebih jauh tentang konfigurasi python virtual environment Anda dapat membacanya di sini : Konfigurasi python virtual environment
Selanjutnya pastikan bahwa anda telah menginstall libary pandas, jika belum Anda bisa menginstallnya dengan PIP:
pip install pandas
import pandas as pd
import numpy as npdf = pd.DataFrame(
np.random.randn(5, 3),
index=["a", "c", "e", "f", "h"],
columns=["one", "two", "three"],
)df["four"] = "bar"
df["five"] = df["one"] > 0
print(df)
df2 = df.reindex(["a", "b", "c", "d", "e", "f", "g", "h"])
print(df2)
import pandas as pd
import numpy as npdf = pd.DataFrame(
np.random.randn(5, 3),
index=["a", "c", "e", "f", "h"],
columns=["one", "two", "three"],
)df["four"] = "bar"
df["five"] = df["one"] > 0
df2 = df.reindex(["a", "b", "c", "d", "e", "f", "g", "h"])
print(df2["one"])
print(pd.isna(df2["one"]))
print(df2["four"].notna())
print(df2.isna())
import pandas as pd
import numpy as np
print(pd.Series([1, 2, np.nan, 4], dtype=pd.Int64Dtype()))
Objek pandas menyediakan kompatibilitas antara NaT dan NaN.
import pandas as pd
import numpy as npdf = pd.DataFrame(
np.random.randn(5, 3),
index=["a", "c", "e", "f", "h"],
columns=["one", "two", "three"],
)df["four"] = "bar"
df["five"] = df["one"] > 0
df2 = df.copy()
df2["timestamp"] = pd.Timestamp("20120101")
print(df2)
4) Inserting missing data
5) Calculations with missing data
6) NA values in GroupBy
7) Cleaning / filling missing data
8) Filling missing values: fillna
9) Filling with a PandasObject
10) Dropping axis labels with missing data: dropna
11) Interpolation
12) Replacing generic values
13) String/regular expression replacement
14) Numeric replacement
15) Missing data casting rules and indexing
16) Experimental NA
scalar to denote missing values
*** nantikan ulasan berikutnya dari artikel ini