# Kā identificēt trūkstošās vērtības ar pandas isna() funkciju

Python pandas funkcija `DataFrame.isna()` palīdz lietotājiem **identificēt trūkstošos datus** (`NaN` vai `None`) **DataFrame**. Tas var būt īpaši noderīgi, lai redzētu, vai dati ir jāattīra pirms analīzes sākšanas.

## Kāda ir pandas `isna()` sintakse?

Tā kā pandas `isna()` **nepieņem nekādus parametrus**, tā sintakse ir diezgan vienkārša:

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

## Kā lietot pandas `isna()` funkciju

Kad `isna()` tiek piemērots DataFrame, tas izveido **jaunu DataFrame ar Boole’a vērtībām**. Ja sākotnējā DataFrame trūkst kāda vērtība (piemēram, atzīmēta kā `NaN` vai `None`), `isna()` parādīs `True`, kur atrodas vērtība. Pretējā gadījumā funkcija parādīs `False`.

Note Ja papildus `NaN` vai `None` vērtību identificēšanai vēlaties arī tās izdzēst, izmantojiet [pandas dropna() funkciju](https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-dropna/). Ja nevēlaties izdzēst šīs vērtības, bet gan sistemātiski aizstāt tās, noderīgs rīks šim nolūkam ir [fillna() funkcija](https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-fillna/).

### Trūkstošo vērtību identificēšana DataFrame

Šajā piemērā izmantots DataFrame ar datiem par dažādām personām, kur daļa informācijas ir trūkstoša.

```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 izskatās šādi:

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

Trūkstošā informācija ir atzīmēta kā `None` vai `NaN`. Lai redzētu, kādas tieši vērtības trūkst, varat izsaukt `isna()` uz DataFrame.

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

Funkcijas izsaukums atgriež jaunu DataFrame, kurā trūkstošās vērtības no sākotnējiem datiem ir atzīmētas kā `True`, bet esošās vērtības ir atzīmētas kā `False`. Šeit ir izvade:

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

### Trūkstošo vērtību skaitīšana katrā ailē

Var būt noderīgi zināt, cik daudz vērtību trūkst katrā ailē, lai palīdzētu izlemt, kā rīkoties. Jūs varat izmantot `isna()` kopā ar Python `sum()` funkciju, lai skaitītu trūkstošo vērtību skaitu katrā ailē.

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

Tas parāda trūkstošo vērtību skaitu katrā ailē:

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


This is a markdown version of: [https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-isna/](https://www.ionos.com/lv-lv/digitalguide/timekla-vietnes/timekla-izstrade/python-pandas-dataframe-isna/) for AI/LLM consumption.