# Sådan identificeres manglende værdier med pandas isna()-funktionen

Python pandas- funktionen `DataFrame.isna()` hjælper brugerne med **at identificere manglende data** (`NaN` eller `None`) **i en DataFrame**. Dette kan være særligt nyttigt for at se, om data skal renses, inden analysen påbegyndes.

## Hvad er syntaksen for pandas `isna()`?

Da pandas `isna()` **ikke tager nogen parametre**, er dens syntaks ret ligetil:

```python
DataFrame.isna()
```

## Sådan bruges funktionen pandas `isna()`

Når `isna()` anvendes på en DataFrame, oprettes der en **ny DataFrame med boolske værdier**. Hvis en værdi i den oprindelige DataFrame mangler (f.eks. markeret som `NaN` eller `None`), viser `isna()` `True`, hvor værdien er placeret. Ellers viser funktionen `False`.

Note Hvis du ud over at identificere `NaN` eller `None` værdier også ønsker at fjerne dem, kan du tjekke [pandas-funktionen dropna()](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-dropna/). Hvis du ikke ønsker at fjerne disse værdier, men i stedet systematisk erstatte dem, er [funktionen fillna()](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-fillna/) et nyttigt værktøj til dette formål.

### Identificering af manglende værdier i en DataFrame

I det følgende eksempel bruges en DataFrame med data om forskellige personer, hvor nogle oplysninger mangler.

```python
import pandas as pd
# Create DataFrame example
data = {
    'Name': ['Alice', 'Bob', None, 'David'],
    'Age': [25, None, 35, 40],
    'City': ['Nottingham', 'London', 'Cardiff', None]
}
df = pd.DataFrame(data)
print(df)
```

DataFrame ser således ud:

```none
Name   Age         City
0  Alice  25.0     Nottingham
1    Bob   NaN  	London
2   None  35.0      Cardiff
3  David  40.0         None
```

De manglende oplysninger er markeret som `None` eller `NaN`. For at se nøjagtigt, hvilke værdier der mangler, kan du kalde `isna()` på DataFrame.

```python
# Applying  pandas isna()
missing_values = df.isna()
print(missing_values)
```

Funktionskaldet returnerer en ny DataFrame, hvor manglende værdier fra de oprindelige data er markeret som `True`, mens værdier, der er til stede, er markeret som `False`. Her er resultatet:

```none
Name    Age   City
0  False  False  False
1  False   True  False
2   True  False  False
3  False  False   True
```

### Tælle antallet af manglende værdier pr. kolonne

Det kan også være nyttigt at vide, hvor mange værdier der mangler i hver kolonne, så du kan beslutte, hvordan du skal håndtere dem. Du kan bruge `isna()` sammen med Pythons `sum()` til at tælle antallet af manglende værdier i hver kolonne.

```python
# Count missing values per column
missing_count = df.isna().sum()
print(missing_count)
```

Dette viser antallet af manglende værdier i hver kolonne:

```none
Name     1
Age      1
City     1
dtype: int64
```


This is a markdown version of: [https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-isna/](https://www.ionos.com/da-dk/digitalguide/websteder/webudvikling/python-pandas-dataframe-isna/) for AI/LLM consumption.