# Pandas-isna()-Funktion: Fehlende Werte erkennen

Die Python-Pandas-Funktion `DataFrame.isna()` hilft Ihnen dabei, **fehlende Daten (`NaN` oder `None`) innerhalb eines DataFrames zu identifizieren**. Das kann hilfreich sein, um festzustellen, ob geplante Analysen stattfinden können oder ob zuvor eine Bereinigung der Daten notwendig ist.

## Syntax von Pandas `isna()`

Da Pandas `isna()` **keine Parameter** entgegennimmt, ist die Syntax der Funktion sehr einfach und sieht wie folgt aus:

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

## Anwendung der `isna()`-Funktion

Pandas `isna()` wird auf einen DataFrame angewendet, um einen **neuen DataFrame mit booleschen Werten zu erzeugen**. Fehlt ein Wert im ursprünglichen DataFrame bzw. ist `NaN` oder `None`, ist an der korrespondierenden Stelle im Ergebnis der Wert `True` hinterlegt. Anderenfalls liefert `isna()` an der entsprechenden Stelle den Wert `False`.

Hinweis Wenn Sie nicht nur identifizieren wollen, ob `NaN`- oder `None`-Werte vorhanden sind, sondern diese auch entfernen möchten, lohnt sich ein Blick auf die [Pandas-Funktion `dropna()`](https://www.ionos.com/de-ch/digitalguide/websites/web-entwicklung/python-pandas-dataframe-dropna/). Möchten Sie die Werte hingegen systematisch ersetzen, kann die [`fillna()`-Funktion](https://www.ionos.com/de-ch/digitalguide/websites/web-entwicklung/python-pandas-dataframe-fillna/) aushelfen.

### Identifikation fehlender Werte in einem DataFrame

In den folgenden Beispielen wird ein DataFrame mit Informationen über verschiedene Personen betrachtet, in dem jedoch einige Daten fehlen bzw. den Wert `None` haben:

```python
import pandas as pd
# Beispiel-DataFrame erstellen
data = {
    'Name': ['Alice', 'Bob', None, 'David'],
    'Alter': [25, None, 35, 40],
    'Stadt': ['New York', 'Los Angeles', 'Chicago', None]
}
df = pd.DataFrame(data)
print(df)
```

Der DataFrame sieht folgendermaßen aus:

```none
Name  Alter        Stadt
0  Alice   25.0     New York
1    Bob    NaN  Los Angeles
2   None   35.0      Chicago
3  David   40.0         None
```

Um herauszufinden, welche Werte genau fehlen, kann `isna()` auf dem DataFrame aufgerufen werden.

```python
# Anwendung von Pandas isna()
missing_values = df.isna()
print(missing_values)
```

Der Funktionsaufruf liefert einen neuen DataFrame, in dem ein Wert durch `True` ersetzt wird, wenn der ursprüngliche Wert fehlt, und durch `False`, wenn der Wert vorhanden ist. Das Ergebnis sieht daher wie folgt aus:

```none
Name  Alter  Stadt
0  False  False  False
1  False   True  False
2   True  False  False
3  False  False   True
```

### Zählen der fehlenden Werte pro Spalte

Es kann hilfreich sein, zu wissen, wie viele Werte in jeder Spalte fehlen, um zu entscheiden, wie man mit den fehlenden Daten umgeht. Hierzu kann `isna()` in Kombination mit der Python-Funktion `sum()` genutzt werden.

```python
# Zählen der fehlenden Werte pro Spalte
missing_count = df.isna().sum()
print(missing_count)
```

Das Resultat zeigt an, wie viele Werte in jeder Spalte fehlen:

```none
Name     1
Alter    1
Stadt    1
dtype: int64
```


This is a markdown version of: [https://www.ionos.com/de-ch/digitalguide/websites/web-entwicklung/python-pandas-dataframe-isna/](https://www.ionos.com/de-ch/digitalguide/websites/web-entwicklung/python-pandas-dataframe-isna/) for AI/LLM consumption.