Ne laissez pas tomber la pile
La journée touche à sa fin, mais il vous reste une dernière tâche. Vous avez un petit jeu de données contenant le nombre total d’appels passés par les clients.
Pour mener votre analyse, vous devez remodeler vos données churn en empilant différents niveaux. Vous savez que ce processus va générer des valeurs manquantes. Vous voulez vérifier s’il vaut la peine de conserver les lignes qui ne contiennent que des valeurs manquantes, ou s’il est préférable de les supprimer.
Le DataFrame churn est à votre disposition.
Cet exercice fait partie du cours
Reconfigurer les données avec pandas
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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)