# Kaip nustatyti trūkstamas reikšmes naudojant pandas isna() funkciją

Python pandas funkcija `DataFrame.isna()` padeda vartotojams **identifikuoti trūkstamus duomenis** (`NaN` arba `None`) **DataFrame**. Tai gali būti ypač naudinga norint pamatyti, ar prieš pradedant analizę reikia išvalyti duomenis.

## Kokia yra pandas `isna()` sintaksė?

Kadangi pandas `isna()` **nepriima jokių parametrų**, jo sintaksė yra gana paprasta:

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

## Kaip naudoti pandas `isna()` funkciją

Kai `isna()` taikoma DataFrame, ji sukuria **naują DataFrame su Būlio reikšmėmis**. Jei originalioje DataFrame trūksta reikšmės (pvz., pažymėta kaip `NaN` arba `None`), `isna()` parodys `True`, kur yra reikšmė. Kitais atvejais funkcija parodys `False`.

Note Jei, be `NaN` ar `None` verčių identifikavimo, norite jas ir pašalinti, išbandykite [pandas dropna() funkciją](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-dropna/). Jei nenorite pašalinti šių verčių, bet sistemingai jas pakeisti, [fillna() funkcija](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-fillna/) yra naudinga priemonė tai padaryti.

### Trūkstamų verčių nustatymas duomenų rėmelio

Šiame pavyzdyje naudojamas duomenų rėmelis su duomenimis apie skirtingus asmenis, kuriuose trūksta tam tikros informacijos.

```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)
```

Duomenų rėmelis atrodo taip:

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

Trūkstama informacija pažymėta kaip `None` arba `NaN`. Norėdami pamatyti, kokios tiksliai reikšmės trūksta, galite iškviesti `isna()` duomenų rėmelį.

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

Funkcijos iškvietimas grąžina naują duomenų rėmelį (DataFrame), kuriame trūkstamos pradinių duomenų reikšmės pažymėtos kaip `True`, o esančios reikšmės pažymėtos kaip `False`. Štai rezultatas:

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

### Trūkstamų verčių skaičiavimas pagal stulpelius

Taip pat gali būti naudinga žinoti, kiek verčių trūksta kiekvienoje skiltyje, kad galėtumėte nuspręsti, kaip elgtis. Galite naudoti `isna()` kartu su Python `sum()` funkcija, kad suskaičiuotumėte trūkstamų verčių skaičių kiekvienoje skiltyje.

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

Čia matote trūkstamų verčių skaičių kiekvienoje skiltyje:

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


This is a markdown version of: [https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-isna/](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/python-pandas-dataframe-isna/) for AI/LLM consumption.