El tratamiento de los datos faltantes es una parte esencial del proceso de limpieza y preparación de datos, ya que casi todos los datos de la vida real contienen algunos datos perdidos.

Pandas incluye las funciones isnull(), isna() para detectar valores faltantes. Ambas funciones hacen los mismo.

<ul>
	<li style="list-style-type:disc">df.isna() devuelve el dataframe con returns the dataframe con valores TRUE o FALSE indicando si hay valores faltantes. </li>
	<li style="list-style-type:disc">También podrías elegir utilizar notna() que es basicamente lo opuesto a isna().</li>
	<li style="list-style-type:disc">df.isna().any() entrega un valor TRUE o FALSE para cada columna. Si solamente hay un valor faltante en esa columna, el valor será TRUE.</li>
	<li style="list-style-type:disc">df.isna().sum() entrega el número de valores faltantes por cada columna.</li>
</ul>

&nbsp;

<h2>1.&nbsp;isna()</h2>

<img alt="" height="453" src="https://dphi-courses.s3.ap-south-1.amazonaws.com/introduction-to-eda/Module2/ss10.png" width="549" />

<h3>Observación:</h3>

No hay valores faltantes en ninguna columna.

<h2>2.&nbsp;info()</h2>

df.info devuelve información sobre el dataframe, incluyendo los tipos de datos de cada columna, el número de valores nulos en cada columna y el uso de memoria de todos los datos.

<img alt="" height="511" src="https://dphi-courses.s3.ap-south-1.amazonaws.com/introduction-to-eda/Module2/ss11.png" width="629" />

<h3>Observaciones:</h3>

<ul>
	<li style="list-style-type:disc">El dataframe tiene solamente datos de tipo float y enteros.</li>
	<li style="list-style-type:disc">No hay datos faltantes</li>
</ul>

1. isna()

Observación:

2. info()

Observaciones: