Suppression des données manquantes
Vous avez remplacé les données manquantes dans person_emp_length, mais dans l'exercice précédent, vous avez vu que loan_int_rate contient aussi des valeurs manquantes.
Comme pour les données manquantes dans loan_status, le fait d'en avoir dans loan_int_rate compliquera les prédictions.
Comme les taux d'intérêt sont définis par votre entreprise, il est très inhabituel que cette colonne contienne des données manquantes. Il est possible que des problèmes d'ingestion des données aient causé des erreurs, mais vous ne pouvez pas en être certain. Pour l'instant, il vaut mieux .drop() ces enregistrements avant d'aller plus loin.
L'ensemble de données cr_loan a été chargé dans l'espace de travail.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Instructions de l’exercice
- Affichez le nombre d'enregistrements qui contiennent des données manquantes pour le taux d'intérêt.
- Créez un tableau d'indices pour les lignes qui contiennent un taux d'intérêt manquant, nommé indices.
- Supprimez les enregistrements avec un taux d'intérêt manquant et enregistrez le résultat dans
cr_loan_clean.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Print the number of nulls
print(____[____].____().____())
# Store the array on indices
____ = ____[____[____].____].____
# Save the new data without missing data
____ = ____.____(____)