Polowanie na brakujące wartości
Pytania dotyczące przetwarzania brakujących wartości pojawiają się na niemal każdej rozmowie kwalifikacyjnej z zakresu uczenia maszynowego. Jeśli otrzymasz zbiór danych z brakami, ich zignorowanie może zaburzyć wyniki i obniżyć dokładność modelu.
W tym ćwiczeniu wykonasz pierwszy krok przetwarzania wstępnego: znajdziesz brakujące wartości i sprawdzisz sposoby ich obsługi za pomocą pandas i numpy na zbiorze danych o pożyczkach klientów.
Zbiór danych, którego będziesz używać w wielu ćwiczeniach tego kursu, jest zapisany w twoim środowisku roboczym jako loan_data.
Oto gdzie jesteś w potoku przetwarzania:
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import modules
import numpy as np
import pandas as pd
# Print missing values
print(____.____().____())