No tires la pila
Ya casi es hora de irte a casa, pero antes necesitas terminar tu última tarea. Tienes un conjunto de datos pequeño con el número total de llamadas realizadas por los clientes.
Para hacer tu análisis, necesitas remodelar tus datos de churn apilando distintos niveles. Sabes que este proceso generará datos faltantes. Quieres comprobar si merece la pena conservar las filas que contienen todos los valores ausentes o si es mejor eliminar esa información.
El DataFrame churn está disponible para ti.
Este ejercicio forma parte del curso
Reestructuración de datos con pandas
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Stack the level type from churn
churn_stack = churn.____(____=____)
# Fill the resulting missing values with zero
churn_fill = churn_stack.____(____)
# Print churn_fill
print(churn_fill)