Začněte nyníZačněte zdarma

Imputace chybějících hodnot

Chybějící data jsou běžnou realitou. Pokud předpokládáme, že data chybí zcela náhodně, zároveň předpokládáme, že data, která máme k dispozici, dobře reprezentují celou populaci. Pokud chybí jen několik hodnot, můžeme je buď odstranit, nebo nahradit průměrem či mediánem. V tomto cvičení se podíváme na sloupec 'PDOM': počet dní na trhu za aktuální cenu.

Toto cvičení je součástí kurzu

Feature Engineering with PySpark

Zobrazit kurz

Pokyny k cvičení

  • Zjisti počet chybějících hodnot ve sloupci 'PDOM' pomocí funkcí where(), isNull() a count().
  • Vypočítej průměrnou hodnotu sloupce 'PDOM' pomocí agregační funkce mean().
  • Použij fillna() s hodnotou nastavenou na průměr sloupce 'PDOM' a aplikuj ji pouze na tento sloupec pomocí parametru subset.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Count missing rows
missing = df.____(df[____].____()).____()

# Calculate the mean value
col_mean = df.____({____: ____}).____()[0][0]

# Replacing with the mean value for that column
df.____(____, ____=[____])
Upravit a spustit kód