Analyser le pourcentage de valeurs manquantes
Avant de vous lancer dans le traitement des données manquantes, il est essentiel d'examiner les différents facteurs qui les entourent. La première étape consiste à analyser l'ampleur du manque, c'est-à-dire le nombre de valeurs absentes pour une variable. Dans cet exercice, vous allez calculer le nombre total de valeurs manquantes par colonne et aussi déterminer le pourcentage de valeurs manquantes par colonne.
Dans cet exercice, vous allez charger l'ensemble de données 'airquality' en analysant la colonne Date, puis calculer la somme des valeurs manquantes et le taux de manquements en pourcentage à partir du DataFrame de nullité.
Cette activité fait partie du cours
Gérer les données manquantes avec Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Load the air-quality.csv dataset
airquality = pd.read_csv(___, parse_dates=[___], index_col=___)