# Hvordan identifisere manglende verdier med pandas isna()-funksjonen

Python pandas-funks jonen `DataFrame.isna()` hjelper brukere med **å identifisere manglende data** (`NaN` eller `None`) **i en DataFrame**. Dette kan være spesielt nyttig for å se om data må ryddes opp før analysen begynner.

## Hva er syntaksen for pandas `isna()`?

Siden pandas `isna()` **ikke tar noen parametere**, er syntaksen ganske enkel:

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

## Hvordan bruke pandas `isna()` 2-funksjonen

Når `isna()` brukes på en DataFrame, opprettes en **ny DataFrame med boolske verdier**. Hvis en verdi i den opprinnelige DataFrame mangler (f.eks. merket som `NaN` eller `None`), vil `isna()` vise `True` der verdien befinner seg. Ellers vil funksjonen vise `False`.

Note Hvis du i tillegg til å identifisere `NaN` eller `None` verdier også ønsker å fjerne dem, kan du sjekke ut [pandas-funksjonen dropna()](https://www.ionos.com/nb-no/digitalguide/nettsteder/webutvikling/python-pandas-dataframe-dropna/). Hvis du ikke ønsker å fjerne disse verdiene, men i stedet systematisk erstatte dem, er [funksjonen fillna()](https://www.ionos.com/nb-no/digitalguide/nettsteder/webutvikling/python-pandas-dataframe-fillna/) et nyttig verktøy for å gjøre dette.

### Identifisere manglende verdier i en DataFrame

Følgende eksempel bruker en DataFrame med data om forskjellige individer, hvor noe informasjon mangler.

```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 ser slik ut:

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

Den manglende informasjonen er merket som `None` eller `NaN`. For å se nøyaktig hvilke verdier som mangler, kan du kalle opp `isna()` på DataFrame.

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

Funksjonskallet returnerer en ny DataFrame, hvor manglende verdier fra de opprinnelige dataene er merket som `True`, mens verdier som er til stede er merket som `False`. Her er resultatet:

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

### Telle antall manglende verdier per kolonne

Det kan også være nyttig å vite hvor mange verdier som mangler i hver kolonne, slik at du kan bestemme hvordan du skal håndtere dem. Du kan bruke `isna()` sammen med Pythons `sum()` til å telle antall manglende verdier i hver kolonne.

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

Dette viser antall manglende verdier i hver kolonne:

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


This is a markdown version of: [https://www.ionos.com/nb-no/digitalguide/nettsteder/webutvikling/python-pandas-dataframe-isna/](https://www.ionos.com/nb-no/digitalguide/nettsteder/webutvikling/python-pandas-dataframe-isna/) for AI/LLM consumption.