Python NaN: Python में missing values की जाँच करने के 4 तरीके

डेटा साइंस और एनालिटिक्स की दुनिया में missing data का सामना करना अपवाद नहीं, बल्कि नियम जैसा है। Missing values विश्लेषण को तिरछा कर सकती हैं, गलत निष्कर्षों तक पहुँचा सकती हैं, और सामान्य तौर पर डेटा प्रोसेसिंग के प्रवाह को बाधित कर सकती हैं। इन खाइयों को संबोधित करना आपके विश्लेषण की अखंडता बनाए रखने के लिए आवश्यक है। यह लेख आपको Python में NaN (Not a Number) मानों की पहचान करने के विभिन्न तरीकों से लैस करने का लक्ष्य रखता है।

संक्षिप्त उत्तर: NumPy की isnan() फ़ंक्शन या Pandas की .isna() मेथड का उपयोग करें

Python में missing values से निपटते समय, आपका तरीका काफी हद तक उस डेटा संरचना पर निर्भर करता है जिसके साथ आप काम कर रहे हैं।

सिंगल वैल्यू या एरे के लिए: NumPy का उपयोग करें

NumPy की isnan() फ़ंक्शन संख्यात्मक एरे या सिंगल वैल्यू में NaN की पहचान करने के लिए उपयुक्त है, जो एक सीधा और कुशल समाधान प्रदान करती है। इसे क्रिया में देखें!

import numpy as np

# Single value check
my_missing_value = np.nan
print(np.isnan(my_missing_value))

# Output: True

# Array check
my_missing_array = np.array([1, np.nan, 3])
nan_array = np.isnan(my_missing_array)
print(nan_array)

# Output: [False  True False]संचालित द्वारा

DataFrames के लिए: Pandas का उपयोग करें

Pandas, DataFrame या Series ऑब्जेक्ट्स में missing values का पता लगाने के लिए .isna() और .isnull() जैसी व्यापक मेथड्स प्रदान करता है, जो डेटा विश्लेषण वर्कफ़्लो के साथ बखूबी एकीकृत होती हैं।

import pandas as pd
import numpy as np

my_dataframe = pd.DataFrame({
    'Column1': ["I", "Love", np.nan], 
    'Column2': ["Python", np.nan, "The Best"]
})

print(my_dataframe.isna())

#    Column1  Column2
# 0    False    False
# 1    False     True
# 2     True    Falseसंचालित द्वारा

जब आप यह कोड चलाते हैं, तो आउटपुट ऊपर दिखाए अनुसार, अधिक रोचक संदर्भ में NaN मानों की उपस्थिति दर्शाएगा।

NaN और None के बीच अंतर

Python में NaN और None के बीच अंतर समझना आवश्यक है। NaN "Not a Number" का floating-point निरूपण है, जिसका उपयोग मुख्यतः संख्यात्मक गणनाओं में होता है। दूसरी ओर, None Python का ऐसा ऑब्जेक्ट है जो मान की अनुपस्थिति को दर्शाता है, जैसा कि अन्य भाषाओं में null होता है। जहाँ NaN का उपयोग गणितीय या वैज्ञानिक गणनाओं में होता है, वहीं None अधिक सामान्य प्रयोजन के लिए है, जो डेटा के अभाव का संकेत देता है।

Python में NaN जाँचने के 4 तरीके

डेटासेट्स में missing values की पहचान करना डेटा प्रीप्रोसेसिंग का एक महत्वपूर्ण चरण है। आइए Python में NaN मानों की जाँच करने के चार व्यावहारिक तरीकों का अन्वेषण करें, उन्हीं रोचक उदाहरणों को जारी रखते हुए जिन्हें हमने पहले देखा है।

1. np.isnan() का उपयोग करके NaN की जाँच

जैसा कि हमने पहले देखा, NumPy सिंगल वैल्यू और एरे दोनों में NaN मानों की पहचान करने का एक सीधा तरीका प्रदान करता है, जो संख्यात्मक डेटा विश्लेषण के लिए आवश्यक है।

import numpy as np

# Checking a single value
print(np.isnan(np.nan))

# Output: True

# Checking an array
my_array = np.array([1, 5, np.nan])
print(np.isnan(my_array))

# Output: [False False  True]संचालित द्वारा

2. pd.isna() का उपयोग करके NaN की जाँच

Pandas स्केलर से लेकर जटिल DataFrames तक डेटा संरचनाओं में NaN मानों का पता लगाने को सरल बनाता है, जिससे यह डेटा मैनिपुलेशन कार्यों के लिए अमूल्य हो जाता है।

import numpy as np
import pandas as pd

# Checking a single value
print(pd.isna(np.nan))

# Output: True

# Checking a pandas Series
my_series = pd.Series(["Python", np.nan, "The Best"])
print(my_series.isna())

# Output:
# 0    False
# 1     True
# 2    False

# Checking a pandas DataFrame
my_dataframe = pd.DataFrame({
    'Column1': ["I", "Love", np.nan], 
    'Column2': ["Python", np.nan, "The Best"]
})

print(pd.isna(my_dataframe)) # Output a DataFrame with True for missing valuesसंचालित द्वारा

3. Pandas की .isna() या .isnull() मेथड्स का उपयोग करके DataFrames में NaN की जाँच

Pandas DataFrames, डेटासेट्स में missing values को आसानी से चिन्हित करने के लिए .isna() और .isnull() मेथड्स भी प्रदान करते हैं, जिससे डेटा की पूर्णता का स्पष्ट अवलोकन मिलता है।

import numpy as np
import pandas as pd

# Create a dataframe with missing values
my_dataframe = pd.DataFrame({
    'Column1': ["I", "Love", np.nan], 
    'Column2': ["Python", np.nan, "The Best"]
})

print(my_dataframe.isna())
# Output:
#    Column1  Column2
# 0    False    False
# 1    False     True
# 2     True    False

print(my_dataframe.isnull())
# Output:
#    Column1  Column2
# 0    False    False
# 1    False     True
# 2     True    Falseसंचालित द्वारा

4. math.isnan() का उपयोग करके DataFrames में NaN की जाँच

व्यक्तिगत संख्याओं की जाँच के लिए, math.isnan() फ़ंक्शन एक सरल लेकिन प्रभावी समाधान प्रदान करता है, विशेष रूप से तब जब आप शुद्ध Python डेटा प्रकारों के साथ काम कर रहे हों।

import math

# Assuming my_number is a float or can be converted to one
my_number = float('nan')
print(math.isnan(my_number))

# Output: Trueसंचालित द्वारा

अंतिम विचार और अतिरिक्त संसाधन

NaN मानों की पहचान और प्रबंधन, आपके डेटा को विश्लेषण के लिए साफ़ और तैयार करने का एक बुनियादी चरण है। चाहे आप एरे, सीरीज़, या डेटा फ़्रेम्स के साथ काम कर रहे हों, Python में missing data से निपटने के लिए उपलब्ध टूल्स और तरीकों को समझना आवश्यक है। आगे और जानने के लिए, निम्न संसाधन देखें:

• Python Fundamentals Skill Track
• Introduction to Python Course
• Cleaning Data in Python Course
• Importing & Cleaning Data with PythonSkill Track
• Cleaning Data in Python Code-Along