Hướng dẫn isna() in python - isna() trong trăn

Lỗi #N/A là một lỗi thường gặp trong Excel. Nhưng trong một số trường hợp chúng ta không biết rõ công thức có xảy ra lỗi #N/A hay không. Bởi vậy chúng ta cần một phương pháp giúp kiểm tra lỗi đó, chính là hàm ISNA. Trong bài viết này các bạn hãy cùng Học Excel Online tìm hiểu cách dùng hàm ISNA trong Excel thông qua các ví dụ nhé.

Nội dung chính ShowShow

• Cú phàm hàm ISNA
• Cách sử dụng hàm ISNA
• Nhận biết lỗi #N/A của hàm VLOOKUP
• Tác giả: duongquan211287
• Missing data là gì?
• Missing data trong pandas
• Thao tác với missing data trong pandas
• Tạm kết
• Tham khảo

Nội dung chính

• Cú phàm hàm ISNA
• Cách sử dụng hàm ISNA
• Nhận biết lỗi #N/A của hàm VLOOKUP
• Tác giả: duongquan211287
• Missing data là gì?
• Missing data trong pandas
• Thao tác với missing data trong pandas
• Tạm kết
• Tham khảo

• Cú phàm hàm ISNA
• Cách sử dụng hàm ISNA
  • Nhận biết lỗi #N/A của hàm VLOOKUP

Cú phàm hàm ISNA

Tác giả: duongquan211287

• Missing data là gì?Có phải là)
• Missing data trong pandas

Thao tác với missing data trong pandas

=ISNA(value)

Tạm kết

Tham khảo

• Nội dung chính
• Trong tên hàm gồm 2 phần:

Cách sử dụng hàm ISNA

IS là chức năng kiểm tra, trả về kết quả đúng/sai (tương đương với câu hỏi Có phải là)

Nhận biết lỗi #N/A của hàm VLOOKUP

Tác giả: duongquan211287

Missing data là gì?

• Missing data trong pandas
• Thao tác với missing data trong pandas
• Tạm kết
• Tham khảo

=VLOOKUP(B2,$G$3:$H$5,2,0)

Nội dung chính

Trong tên hàm gồm 2 phần:

IS là chức năng kiểm tra, trả về kết quả đúng/sai (tương đương với câu hỏi Có phải là)

NA chính là lỗi #N/A

• Cách viết như sau:
• Tham số bên trong hàm ISNA là Value, tức là 1 giá trị. Giá trị này có thể là kết quả của 1 công thức, 1 hàm.
• Hàm ISNA sẽ trả về các kết quả:

TRUE: nếu giá trị cần kiểm tra có kết quả đúng là lỗi #N/A

FALSE: nếu giá trị cần kiểm tra không phải lỗi #N/A

Bởi vì kết quả của hàm ISNA là True / False nên thông thường nó không đứng 1 mình mà kết hợp với hàm IF.

Chúng ta xét ví dụ sau đây:

Trong ví dụ trên, để xác định đơn giá các sản phẩm, chúng ta sẽ sử dụng hàm VLOOKUP:

Tác giả: duongquan211287

Giá trị tìm kiếm: Mã hàng tại cột B, bắt đầu từ ô B2· ·

Vùng tham chiếu: Bảng đơn giá G3:H5

Cột kết quả: cột thứ 2

Phương thức tìm kiếm: chính xác theo mã hàng, sử dụng số 0

Missing data là gì?

Missing data trong pandas

• Thao tác với missing data trong pandas
• Tạm kết
• Tham khảo
• Nội dung chính

Trong tên hàm gồm 2 phần:

Missing data trong pandas

Thao tác với missing data trong pandas

Ví dụ 1: Các loại missing data: 

import pandas as pd
import numpy as np

# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# Tạo một Series chứa missing data dạng số nguyên
ser_1 = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Thêm Series 1 này vào như một cột DataFrame
df['cột_']= ser_1

# Tạo một Series chứa missing data dạng datetime64[ns]
ser_2 = pd.Series([pd.Timestamp('20200101'), np.nan, '20200401', '20200501', '20200601'])

# Thêm Series 2 này vào như một cột DataFrame
df['cột_NaT']= ser_2

print(df)

Output:

   cột_1  cột_2  cột_3  cột_4  cột_    cột_NaT
0    0.0    9.1      a   True         1 2020-01-01
1    1.0    3.0    NaN  False         2        NaT
2    3.0    NaN      ă   True       2020-04-01
3    4.0   -5.1      !   None         4 2020-05-01
4    NaN    NaN      %  False       2020-06-01
5    5.0    2.0  be be    NaN         5        NaT
6    NaN   11.0      o   True              NaT

Thao tác với missing data trong pandas

Pandas cho phép bạn thao tác linh hoạt với missing data trong Series, DataFrame như tìm giá trị bị thiếu (missing value), xác định giá trị tồn tại (không bị thiếu), loại bỏ giá trị bị thiếu, chèn giá trị bị thiếu, điền vào giá trị bị thiếu, v.v. Bên dưới mình sẽ trình bày các ví dụ cụ thể cho các thao tác.

Xác định giá trị bị thiếu và giá trị đang tồn tại: isna(), notna()

Ví dụ 2: Xác định giá trị bị thiếu bằng

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

0 và

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

1

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

Output:

Kiểm tra isna cho Series
0    False
1    False
2     True
3    False
4     True
5    False
dtype: bool
Kiểm tra isna cho DataFrame
   cột_1  cột_2  cột_3  cột_4
0  False  False  False  False
1  False  False   True  False
2  False   True  False  False
3  False  False  False   True
4   True   True  False  False
5  False  False  False   True
6   True  False  False  False

Ví dụ 3: Xác định giá trị tồn tại (existing values) bằng

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

2 và

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

3

import pandas as pd
import numpy as np

print('Kiểm tra notna cho Series')
# Tạo một Series chứa missing data
ser = pd.Series([1, 2, np.nan, 4])

# Series check notna
notna_Ser = ser.notna()

print(notna_Ser)
''' ----------'''
print('Kiểm tra notna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 10]})


# DataFrame check notna
notna_DF = df.notna()

print(notna_DF)

Output:

Kiểm tra notna cho Series
0     True
1     True
2    False
3     True
dtype: bool
Kiểm tra notna cho DataFrame
   cột_1  cột_2
0   True   True
1   True   True
2   True  False
3   True   True
4  False  False
5   True   True
6  False   True

Xóa giá trị bị thiếu: dropna()

Ví dụ 4: Xóa giá trị thiếu bằng

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

4 và

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

5

import pandas as pd
import numpy as np

# Series.drop()
print('Series chứa missing data')
ser = pd.Series([1, 2, np.nan, 4])
print(ser)

print('Series đã xóa missing data')
drop_Ser = ser.dropna()
print(drop_Ser)

# DataFrame.drop()
print('DataFrame chứa missing data')
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 10]})
print(df)

print('DataFrame đã xóa missing data')
drop_DF = df.dropna()
print(drop_DF)

Output:

Series chứa missing data
0    1.0
1    2.0
2    NaN
3    4.0
dtype: float64
Series đã xóa missing data
0    1.0
1    2.0
3    4.0
dtype: float64
DataFrame chứa missing data
   cột_1  cột_2
0    0.0    9.1
1    1.0    3.0
2    3.0    NaN
3    4.0   -5.1
4    NaN    NaN
5    5.0    2.0
6    NaN   10.0
DataFrame đã xóa missing data
   cột_1  cột_2
0    0.0    9.1
1    1.0    3.0
3    4.0   -5.1
5    5.0    2.0

Điền vào giá trị thiếu: fillna()

Sử dụng

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

6 bạn có thể chèn vào các giá trị bị thiếu bằng dữ liệu khác theo một số cách:

Ví dụ 5: Thay thế giá trị bị thiếu bằng một giá trị vô hướng (scalar value)

import pandas as pd
import numpy as np

# Series.fill()
print('Series chứa missing data')
ser = pd.Series([pd.Timestamp('20200101'), np.nan, '20200401'])
print(ser)

print('Series đã thay missing data bằng giá trị vô hướng "1110" ')
fill_Ser = ser.fillna(1110)
print(fill_Ser)

# DataFrame.fill()
print('DataFrame chứa missing data')
df = pd.DataFrame({'cột_1':[0, np.nan, 5, np.nan],
                   'cột_2':[9.1, np.nan, None, 10]})
print(df)

print('DataFrame đã thay missing data bằng giá trị vô hướng "AnhKiet"')
fill_DF = df.fillna('AnhKiet')
print(fill_DF)

Output:

Series chứa missing data
0   2020-01-01
1          NaT
2   2020-04-01
dtype: datetime64[ns]
Series đã thay missing data bằng giá trị vô hướng "1110" 
0    2020-01-01 00:00:00
1                   1110
2    2020-04-01 00:00:00
dtype: object
DataFrame chứa missing data
   cột_1  cột_2
0    0.0    9.1
1    NaN    NaN
2    5.0    NaN
3    NaN   10.0
DataFrame đã thay missing data bằng giá trị vô hướng "AnhKiet"
     cột_1    cột_2
0        0      9.1
1  AnhKiet  AnhKiet
2        5  AnhKiet
3  AnhKiet       10

Ví dụ 6:

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

6 cũng có thể được sử dụng trên một cột cụ thể. 

   cột_1  cột_2  cột_3  cột_4  cột_    cột_NaT
0    0.0    9.1      a   True         1 2020-01-01
1    1.0    3.0    NaN  False         2        NaT
2    3.0    NaN      ă   True       2020-04-01
3    4.0   -5.1      !   None         4 2020-05-01
4    NaN    NaN      %  False       2020-06-01
5    5.0    2.0  be be    NaN         5        NaT
6    NaN   11.0      o   True              NaT

0

Output:

   cột_1  cột_2  cột_3  cột_4  cột_    cột_NaT
0    0.0    9.1      a   True         1 2020-01-01
1    1.0    3.0    NaN  False         2        NaT
2    3.0    NaN      ă   True       2020-04-01
3    4.0   -5.1      !   None         4 2020-05-01
4    NaN    NaN      %  False       2020-06-01
5    5.0    2.0  be be    NaN         5        NaT
6    NaN   11.0      o   True              NaT

1

Ví dụ 7: Sử dụng tham số

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

8, các giá trị bị thiếu có thể được thay thế bằng các giá trị trước (

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

9)  hoặc sau (

Kiểm tra isna cho Series
0    False
1    False
2     True
3    False
4     True
5    False
dtype: bool
Kiểm tra isna cho DataFrame
   cột_1  cột_2  cột_3  cột_4
0  False  False  False  False
1  False  False   True  False
2  False   True  False  False
3  False  False  False   True
4   True   True  False  False
5  False  False  False   True
6   True  False  False  False

0) chúng. Key

Kiểm tra isna cho Series
0    False
1    False
2     True
3    False
4     True
5    False
dtype: bool
Kiểm tra isna cho DataFrame
   cột_1  cột_2  cột_3  cột_4
0  False  False  False  False
1  False  False   True  False
2  False   True  False  False
3  False  False  False   True
4   True   True  False  False
5  False  False  False   True
6   True  False  False  False

1 sẽ giới hạn bao nhiêu giá trị trước/sau sẽ được lấy thay thế.

   cột_1  cột_2  cột_3  cột_4  cột_    cột_NaT
0    0.0    9.1      a   True         1 2020-01-01
1    1.0    3.0    NaN  False         2        NaT
2    3.0    NaN      ă   True       2020-04-01
3    4.0   -5.1      !   None         4 2020-05-01
4    NaN    NaN      %  False       2020-06-01
5    5.0    2.0  be be    NaN         5        NaT
6    NaN   11.0      o   True              NaT

2

Output:

   cột_1  cột_2  cột_3  cột_4  cột_    cột_NaT
0    0.0    9.1      a   True         1 2020-01-01
1    1.0    3.0    NaN  False         2        NaT
2    3.0    NaN      ă   True       2020-04-01
3    4.0   -5.1      !   None         4 2020-05-01
4    NaN    NaN      %  False       2020-06-01
5    5.0    2.0  be be    NaN         5        NaT
6    NaN   11.0      o   True              NaT

3

Chèn missing data

Pandas cho phép bạn chèn giá trị vào missing data bằng

import pandas as pd
import numpy as np

print('Kiểm tra isna cho Series')
# Tạo một Series chứa missing data dạng số nguyên
ser = pd.Series([1, 2, np.nan, 4, np.nan, 5], dtype=pd.Int64Dtype())

# Series check isna
na_Ser = ser.isna()

print(na_Ser)
''' ----------'''
print('Kiểm tra isna cho DataFrame')
# Tạo DataFrame với chứa missing data loại dấu phẩy động (floating point), None
df = pd.DataFrame({'cột_1':[0, 1, 3, 4, np.nan, 5, np.nan],
                   'cột_2':[9.1, 3.0, np.nan, -5.1, None, 2, 11],
                   'cột_3':['a', np.nan, 'ă', '!', '%', 'be be', 'o'],
                   'cột_4':[True, False, True, None, False, np.nan, True]})

# DataFrame check isna
na_DF = df.isna()

print(na_DF)

6 thì bạn cũng có thể làm ngược lại: chèn missing data vào vị trí đã có giá trị. Giá trị thiếu thực tế được sử dụng sẽ được chọn dựa trên dtype.

Ví dụ 8: Chèn missing data cho các container (Series, DataFrame) chứa con số

   cột_1  cột_2  cột_3  cột_4  cột_    cột_NaT
0    0.0    9.1      a   True         1 2020-01-01
1    1.0    3.0    NaN  False         2        NaT
2    3.0    NaN      ă   True       2020-04-01
3    4.0   -5.1      !   None         4 2020-05-01
4    NaN    NaN      %  False       2020-06-01
5    5.0    2.0  be be    NaN         5        NaT
6    NaN   11.0      o   True              NaT

4

Output:

   cột_1  cột_2  cột_3  cột_4  cột_    cột_NaT
0    0.0    9.1      a   True         1 2020-01-01
1    1.0    3.0    NaN  False         2        NaT
2    3.0    NaN      ă   True       2020-04-01
3    4.0   -5.1      !   None         4 2020-05-01
4    NaN    NaN      %  False       2020-06-01
5    5.0    2.0  be be    NaN         5        NaT
6    NaN   11.0      o   True              NaT

5

Tạm kết

Đến đây mình đã trình bày về các thao tác với mising data hay sử dụng trong pandas. Hi vọng bài viết giúp ích cho các bạn. Các bạn có thể tìm hiểu thêm bằng cách truy cập các đường link trong phần tham khảo. Hãy để lời góp ý trong phần bình luận bên dưới. Cảm ơn các bạn đã đọc. Hẹn gặp lại trong các bài viết tiếp theo.

Tham khảo

1. http://pandas.pydata.org/pandas-docs/stable/user_guide/missing_data.html

2. https://pandas.pydata.org/pandas-docs/stable/user_guide/cookbook.html#cookbook-missing-data

3. https://towardsdatascience.com/handling-missing-values-with-pandas-b876bf6f008f