# Kuidas tuvastada puuduvad väärtused pandas isna() funktsiooni abil

Python pandas funktsioon `DataFrame.isna()` aitab kasutajatel **tuvastada puuduvaid andmeid** (`NaN` või `None`) **DataFrame’is**. See võib olla eriti kasulik, et näha, kas andmeid on vaja puhastada enne analüüsi alustamist.

## Mis on pandas `isna()` süntaks?

Kuna pandas `isna()` **ei võta vastu mingeid parameetreid**, on selle süntaks üsna lihtne:

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

## Kuidas kasutada pandas `isna()` funktsiooni

Kui `isna()` rakendatakse DataFrame’ile, loob see **uue DataFrame’i boolesete väärtustega**. Kui algses DataFrame’is puudub väärtus (nt märgitud kui `NaN` või `None`), näitab `isna()` väärtuse asukoha `True`. Muidu kuvab funktsioon `False`.

Note Kui soovite lisaks `NaN` või `None` väärtuse tuvastamisele need ka eemaldada, vaadake [pandas dropna() funktsiooni](https://www.ionos.com/et-ee/digitalguide/veebisaidid/veebiarendus/python-pandas-dataframe-dropna/). Kui te ei soovi neid väärtusi eemaldada, vaid süstemaatiliselt asendada, on [fillna() funktsioon](https://www.ionos.com/et-ee/digitalguide/veebisaidid/veebiarendus/python-pandas-dataframe-fillna/) selleks sobiv vahend.

### Puuduvate väärtuste tuvastamine andmestikus

Järgmises näites kasutatakse DataFrame’i, mis sisaldab andmeid erinevate isikute kohta, kusjuures osa teavet puudub.

```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)
```

Andmestruktuur näeb välja järgmine:

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

Puuduv teave on märgitud numbritega `None` või `NaN`. Et näha täpselt, millised väärtused puuduvad, võite DataFrame’is kutsuda `isna()`.

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

Funktsioonikõne tagastab uue DataFrame’i, kus algandmete puuduvad väärtused on märgitud numbriga `True`, samas kui olemasolevad väärtused on märgitud numbriga `False`. Siin on väljund:

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

### Puuduvate väärtuste arvu loendamine veerus

Samuti võib olla kasulik teada, kui palju väärtusi igas veerus puudub, et otsustada, kuidas neid käsitleda. Igas veerus puuduvate väärtuste arvu loendamiseks võite kasutada `isna()` koos Pythoni funktsiooniga `sum()`.

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

See näitab puuduvate väärtuste arvu igas veerus:

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


This is a markdown version of: [https://www.ionos.com/et-ee/digitalguide/veebisaidid/veebiarendus/python-pandas-dataframe-isna/](https://www.ionos.com/et-ee/digitalguide/veebisaidid/veebiarendus/python-pandas-dataframe-isna/) for AI/LLM consumption.