Membersihkan Data yang Berantakan
Tabel asli punya celah dan tipe yang salah. pandas menandai nilai yang hilang sebagai NaN (Not a Number). Kamu bisa mengisinya atau menghapusnya.
import pandas as pd
import numpy as np
df = pd.DataFrame({
"name": ["Ada", "Bo", "Cy"],
"age": [30, np.nan, 35],
})
print(df["age"].fillna(0)) # replace NaN with 0
print(df.dropna()) # drop any row that has a NaNtrik umum adalah mengisi angka yang hilang dengan rata-rata kolom:
mean_age = df["age"].mean() # NaN is ignored in the mean
df["age"] = df["age"].fillna(mean_age)Ubah tipe kolom dengan astype, dan ubah nama kolom dengan rename:
df["age"] = df["age"].astype(int)
df = df.rename(columns={"name": "first_name"})Untuk mengubah setiap nilai dalam sebuah kolom, gunakan apply dengan sebuah fungsi. Ini menjalankan fungsi pada setiap sel dan mengembalikan Series baru:
def initial(s):
return s[0]
df["letter"] = df["first_name"].apply(initial)
# you can also use a lambda:
df["letter"] = df["first_name"].apply(lambda s: s[0])DataFrame di bawah ini punya usia yang hilang (NaN). Isi nilai yang hilang di kolom age dengan rata-rata kolom (abaikan NaN), lalu ubah seluruh kolom age ke int. Terakhir tambahkan kolom baru name_len yang menyimpan panjang setiap nama (gunakan .apply dengan len).
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.