# Pandas isna(): Como identificar valores ausentes no Python

A função `DataFrame.isna()` do [Python Pandas](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/desenvolvimento-web/python-pandas/) ajuda usuários a **identificar dados ausentes em um DataFrame** (marcados como `NaN` ou `None`). Esse recurso é especialmente útil ao decidir por limpar ou não dados antes de iniciar uma análise.

## Sintaxe da função Pandas `isna()`

Como a função Pandas `isna()` **não aceita nenhum parâmetro**, sua sintaxe é especialmente simples:

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

## Como usar a função Pandas `isna()`

Quando a função Pandas `isna()` é aplicada a um DataFrame, ela cria um **novo DataFrame com valores booleanos**. Se houver um valor ausente no DataFrame original (por exemplo, marcado como `NaN` ou `None`), a função `isna()` retornará com a mensagem `True` naquela posição. Do contrário, a função exibirá `False`.

Nota Se além de identificar os valores `NaN` e `None`, você quiser removê-los, use a [função Pandas dropna()](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/desenvolvimento-web/python-pandas-dataframe-dropna/). Caso não queira remover os valores, mas deseje substituí-los sistematicamente, a [função Pandas fillna()](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/desenvolvimento-web/python-pandas-dataframe-fillna/) é a solução que você procura.

### Identificar valores ausentes em um DataFrame

O exemplo a seguir apresenta um DataFrame com dados de várias pessoas, mas faltam algumas informações sobre elas.

```python
import pandas as pd
# Criar DataFrame de exemplo
data = {
    'Nome': ['Alice' , 'Bruno', None, 'Danilo'],
    'Idade': [25, None, 35, 40],
    'Cidade': [‘Londrina', 'Rio de Janeiro', 'Fortaleza', None]
}
df = pd.DataFrame(data)
print(df)
```

O DataFrame ficará assim:

```none
Nome   Idade         Cidade
0  Alice  25.0     Londrina
1  Bruno   NaN  Rio de Janeiro
2  None  35.0      Fortaleza
3  Danilo  40.0         None
```

As informações que faltam foram marcadas como `None` ou `NaN`. Para descobrir exatamente quais são os valores ausentes, você pode chamar a função Pandas `isna()` no DataFrame.

```python
# Aplicar a função Pandas isna()
missing_values = df.isna()
print(missing_values)
```

A função retornará um novo DataFrame, no qual os valores originalmente ausentes serão marcados como `True`, enquanto os valores presentes serão identificados como `False`. Este será o resultado:

```none
Nome  Idade  Cidade
0  False  False  False
1  False   True  False
2   True  False  False
3  False  False   True
```

### Contar valores ausentes por coluna

Talvez você precise saber o número de valores ausentes em cada coluna para entender como administrá-los. Nesse caso, use a função Pandas `isna()` junto com a função `sum()` do Python para contar o número de valores ausentes em cada coluna.

```python
# Contar valores ausentes por coluna
missing_count = df.isna().sum()
print(missing_count)
```

O resultado exibirá o número de valores ausentes em cada coluna:

```none
Nome     1
Idade      1
Cidade    1
dtype: int64
```


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