# Kuinka tunnistaa puuttuvat arvot pandas-kirjaston isna()-funktiolla

Python pandas -funktio `DataFrame.isna()` auttaa käyttäjiä **tunnistamaan puuttuvat tiedot** (`NaN` tai `None`) **DataFrame-kehyksessä**. Tämä voi olla erityisen hyödyllistä, kun halutaan selvittää, onko tiedot puhdistettava ennen analyysin aloittamista.

## Mikä on pandas `isna()`:n syntaksi?

Koska pandas `isna()` **ei ota vastaan parametreja**, sen syntaksi on melko suoraviivainen:

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

## Kuinka käyttää pandas `isna()` -funktiota

Kun `isna()` sovelletaan DataFrame-kehykseen, se luo **uuden DataFrame-kehyksen, jossa on boolenisia arvoja**. Jos alkuperäisessä DataFrame-kehyksessä on puuttuva arvo (esim. merkitty `NaN` tai `None`), `isna()` näyttää `True` arvon sijainnin. Muussa tapauksessa funktio näyttää `False`.

Huomio Jos haluat `NaN` tai `None` arvon tunnistamisen lisäksi myös poistaa ne, tutustu [pandas-funktioon dropna()](https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-dropna/). Jos et halua poistaa näitä arvoja, vaan korvata ne järjestelmällisesti, [fillna()-funktio](https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-fillna/) on hyödyllinen työkalu tähän tarkoitukseen.

### Puuttuvien arvojen tunnistaminen DataFrame-kehyksessä

Seuraavassa esimerkissä käytetään DataFrame-taulukkoa, joka sisältää tietoja eri henkilöistä, joista osa on puutteellisia.

```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 näyttää tältä:

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

Puuttuvat tiedot on merkitty numerolla `None` tai `NaN`. Jos haluat nähdä tarkasti, mitkä arvot puuttuvat, voit kutsua DataFrame-kehyksessä `isna()`.

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

Funktiokutsu palauttaa uuden DataFrame-kehyksen, jossa alkuperäisten tietojen puuttuvat arvot on merkitty numerolla `True` ja olemassa olevat arvot numerolla `False`. Tässä on tulos:

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

### Puuttuvien arvojen määrän laskeminen sarakkeittain

Voi myös olla hyödyllistä tietää, kuinka monta arvoa puuttuu kustakin sarakkeesta, jotta voit päättää, miten niitä käsitellään. Voit käyttää `isna()` yhdessä Pythonin `sum()` kanssa laskeaksesi puuttuvien arvojen määrän kustakin sarakkeesta.

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

Tämä näyttää puuttuvien arvojen määrän kussakin sarakkeessa:

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


This is a markdown version of: [https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-isna/](https://www.ionos.com/fi-fi/digitalguide/verkkosivustot/verkkosivujen-kehittaeminen/python-pandas-dataframe-isna/) for AI/LLM consumption.