# Fonction Pandas isna() : détecter les valeurs manquantes

La fonction Python Pandas `DataFrame.isna()` vous permet d’**identifier les données manquantes (`NaN` ou `None`) dans un DataFrame**. Cela peut être utile pour déterminer si des analyses peuvent avoir lieu ou si un nettoyage des données est nécessaire au préalable.

## Syntaxe de Pandas `isna()`

Comme Pandas `isna()` **ne prend pas de paramètres**, la syntaxe de la fonction est très simple et ressemble à ceci :

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

## Application de la fonction `isna()`

Pandas `isna()` est appliqué à un DataFrame pour créer un **nouveau DataFrame avec des valeurs booléennes**. Si une valeur est manquante dans le DataFrame original, ou si elle est `NaN` ou `None`, la valeur `True` est stockée à l’emplacement correspondant dans le résultat. Sinon, `isna()` renvoie la valeur `False` à la position correspondante.

Note Si vous souhaitez non seulement identifier les valeurs `NaN` ou `None`, mais également les supprimer, consultez notre article sur la [fonction Pandas `dropna()`](https://www.ionos.com/fr-be/digitalguide/sites-internet/developpement-web/python-pandas-dataframe-dropna/). Et si vous souhaitez remplacer systématiquement les valeurs, découvrez la fonction [`fillna()`](https://www.ionos.com/fr-be/digitalguide/sites-internet/developpement-web/python-pandas-dataframe-fillna/).

### Identification des valeurs manquantes dans un DataFrame

Dans les exemples suivants, nous considérons un DataFrame contenant des informations sur différentes personnes, mais dans lequel certaines données sont manquantes ou ont la valeur `None` :

```python
import pandas as pd
# Création d’un DataFrame d’exemple
données = {
    'Nom': ['Alice', 'Bob', None, 'David'],
    'Âge': [25, None, 35, 40],
    'Ville': ['New York', 'Los Angeles', 'Chicago', None]
}
df = pd.DataFrame(données)
print(df)
```

Le DataFrame se présente comme suit :

```none
Nom   Âge       Ville
0  Alice  25.0    New York
1    Bob   NaN  Los Angeles
2   None  35.0     Chicago
3  David  40.0        None
```

Pour savoir exactement quelles valeurs manquent, `isna()` peut être appelé sur le DataFrame.

```python
# Application de la fonction isna() de Pandas
missing_values = df.isna()
print(missing_values)
```

L’appel de fonction renvoie un nouveau DataFrame dans lequel une valeur est remplacée par `True` si la valeur originale est manquante, et par `False` si la valeur est présente. Le résultat se présente donc de la manière suivante :

```none
Nom    Âge  Ville
0  False  False  False
1  False   True  False
2   True  False  False
3  False  False   True
```

### Compter les valeurs manquantes par colonne

Il peut être utile de savoir combien de valeurs manquent dans chaque colonne pour décider comment traiter les données manquantes. Pour cela, Pandas `isna()` peut être utilisé en combinaison avec la fonction Python `sum()`.

```python
# Compter les valeurs manquantes par colonne
missing_count = df.isna().sum()
print(missing_count)
```

Le résultat indique combien de valeurs manquent dans chaque colonne :

```none
Nom      1
Âge      1
Ville    1
dtype: int64
```


This is a markdown version of: [https://www.ionos.com/fr-be/digitalguide/sites-internet/developpement-web/python-pandas-dataframe-isna/](https://www.ionos.com/fr-be/digitalguide/sites-internet/developpement-web/python-pandas-dataframe-isna/) for AI/LLM consumption.