Замена скрытых пропущенных значений

В двух предыдущих упражнениях вы научились выявлять и обрабатывать пропущенные значения при загрузке набора данных. В этом упражнении вы будете искать скрытые пропущенные значения и работать с ними. Вы будете использовать набор данных diabetes, который уже загружен для вас.

В DataFrame diabetes столбец BMI содержит нули. Однако BMI не может быть равен нулю — вместо этого там должны стоять значения NaN. В этом упражнении вы научитесь обнаруживать подобные несоответствия, выполнять простой анализ данных, находить пропущенные значения и заменять их. Библиотеки numpy и pandas уже импортированы как np и pd соответственно.

Кроме того, вы можете исследовать набор данных самостоятельно — например, вызвать .head(), .info() и другие методы, чтобы лучше с ним познакомиться.