# Hoe ontbrekende waarden te identificeren met de pandas isna()-functie

De Python pandas-functie `DataFrame.isna()` helpt gebruikers **bij het identificeren van ontbrekende gegevens** (`NaN` of `None`) **in een DataFrame**. Dit kan vooral handig zijn om te zien of gegevens moeten worden opgeschoond voordat met de analyse wordt begonnen.

## Wat is de syntaxis voor pandas `isna()`?

Aangezien pandas `isna()` **geen parameters gebruikt**, is de syntaxis vrij eenvoudig:

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

## Hoe gebruik je de functie pandas `isna()`?

Wanneer `isna()` wordt toegepast op een DataFrame, wordt een **nieuwe DataFrame met Booleaanse waarden** gemaakt. Als een waarde in de oorspronkelijke DataFrame ontbreekt (bijvoorbeeld gemarkeerd als `NaN` of `None`), geeft `isna()` `True` weer waar de waarde zich bevindt. Anders geeft de functie `False` weer.

Opmerking Als u naast het identificeren van `NaN` of `None` waarden deze ook wilt verwijderen, kijk dan eens naar de [pandas-functie dropna()](https://www.ionos.com/nl-be/digitalguide/websites/webontwikkeling/python-pandas-dataframe-dropna/). Als u deze waarden niet wilt verwijderen, maar ze systematisch wilt vervangen, is de [functie fillna()](https://www.ionos.com/nl-be/digitalguide/websites/webontwikkeling/python-pandas-dataframe-fillna/) een handig hulpmiddel om dat te doen.

### Ontbrekende waarden in een DataFrame identificeren

Het volgende voorbeeld maakt gebruik van een DataFrame met gegevens over verschillende personen, waarbij sommige informatie ontbreekt.

```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)
```

Het DataFrame ziet er als volgt uit:

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

De ontbrekende informatie is gemarkeerd als `None` of `NaN`. Om precies te zien welke waarden ontbreken, kunt u `isna()` aanroepen op het DataFrame.

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

De functie roept een nieuw DataFrame op, waarin ontbrekende waarden uit de oorspronkelijke gegevens worden gemarkeerd als `True`, terwijl aanwezige waarden worden gemarkeerd als `False`. Hier is de uitvoer:

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

### Het aantal ontbrekende waarden per kolom tellen

Het kan ook nuttig zijn om te weten hoeveel waarden er in elke kolom ontbreken, zodat u kunt beslissen hoe u hiermee omgaat. U kunt `isna()` samen met de functie `sum()` van Python gebruiken om het aantal ontbrekende waarden in elke kolom te tellen.

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

Dit toont u het aantal ontbrekende waarden in elke kolom:

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


This is a markdown version of: [https://www.ionos.com/nl-be/digitalguide/websites/webontwikkeling/python-pandas-dataframe-isna/](https://www.ionos.com/nl-be/digitalguide/websites/webontwikkeling/python-pandas-dataframe-isna/) for AI/LLM consumption.