# Πώς να εντοπίσετε ελλείπουσες τιμές με τη συνάρτηση pandas isna()

Η συνάρτηση Python pandas `DataFrame.isna()` βοηθά τους χρήστες **να εντοπίσουν τα ελλείποντα δεδομένα** (`NaN` ή `None`) **σε ένα DataFrame**. Αυτό μπορεί να είναι ιδιαίτερα χρήσιμο για να διαπιστωθεί εάν τα δεδομένα πρέπει να καθαριστούν πριν από την έναρξη της ανάλυσης.

## Ποια είναι η σύνταξη για το pandas `isna()`;

Δεδομένου ότι το pandas `isna()` **δεν δέχεται παραμέτρους**, η σύνταξή του είναι αρκετά απλή:

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

## Πώς να χρησιμοποιήσετε τη συνάρτηση pandas `isna()`

Όταν `isna()` εφαρμόζεται σε ένα DataFrame, δημιουργεί ένα **νέο DataFrame με τιμές Boolean**. Εάν μια τιμή στο αρχικό DataFrame λείπει (π.χ. έχει επισημανθεί ως `NaN` ή `None`), `isna()` θα εμφανίσει `True` όπου βρίσκεται η τιμή. Διαφορετικά, η συνάρτηση θα εμφανίσει `False`.

Note Εάν, εκτός από τον εντοπισμό `NaN` ή `None` τιμών, θέλετε επίσης να τις καταργήσετε, δείτε τη [συνάρτηση pandas dropna()](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe-dropna/). Εάν δεν θέλετε να καταργήσετε αυτές τις τιμές, αλλά να τις αντικαταστήσετε συστηματικά, η [συνάρτηση fillna()](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe-fillna/) είναι ένα χρήσιμο εργαλείο για να το κάνετε.

### Εντοπισμός ελλειπόντων τιμών σε ένα DataFrame

Το παρακάτω παράδειγμα χρησιμοποιεί ένα DataFrame με δεδομένα σχετικά με διαφορετικά άτομα, όπου ορισμένες πληροφορίες λείπουν.

```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)
```

Το DataFrame έχει την εξής μορφή:

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

Οι πληροφορίες που λείπουν έχουν επισημανθεί ως `None` ή `NaN`. Για να δείτε ακριβώς ποιες τιμές λείπουν, μπορείτε να καλέσετε `isna()` στο DataFrame.

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

Η κλήση της συνάρτησης επιστρέφει ένα νέο DataFrame, όπου οι τιμές που λείπουν από τα αρχικά δεδομένα επισημαίνονται ως `True`, ενώ οι τιμές που υπάρχουν επισημαίνονται ως `False`. Ακολουθεί το αποτέλεσμα:

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

### Μέτρηση του αριθμού των ελλειπόντων τιμών ανά στήλη

Μπορεί επίσης να είναι χρήσιμο να γνωρίζετε πόσες τιμές λείπουν σε κάθε στήλη, ώστε να αποφασίσετε πώς θα τις χειριστείτε. Μπορείτε να χρησιμοποιήσετε `isna()` μαζί με τη συνάρτηση `sum()` της Python για να μετρήσετε τον αριθμό των τιμών που λείπουν σε κάθε στήλη.

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

Αυτό σας δείχνει τον αριθμό των ελλειπόντων τιμών σε κάθε στήλη:

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


This is a markdown version of: [https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe-isna/](https://www.ionos.com/el-gr/digitalguide/istoselides/anaptyxi-istoselidon/python-pandas-dataframe-isna/) for AI/LLM consumption.