Ta bort saknade data
Du ersatte saknade data i person_emp_length, men i föregående övning såg du att loan_int_rate också har saknade värden.
Precis som saknade data i loan_status kan saknade data i loan_int_rate försvåra prognoserna.
Eftersom räntorna sätts av ditt företag är det mycket märkligt att det saknas data i den här kolumnen. Det är möjligt att problem vid datainmatningen har orsakat fel, men det går inte att säga säkert. Tills vidare är det bäst att använda .drop() för att ta bort dessa poster innan du går vidare.
Datamängden cr_loan har laddats in i arbetsmiljön.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Övningsinstruktioner
- Skriv ut antalet poster som innehåller saknade data för ränta.
- Skapa en array med index för rader som saknar räntedata och kalla den
indices. - Ta bort posterna med saknade räntedata och spara resultatet i
cr_loan_clean.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Print the number of nulls
print(____[____].____().____())
# Store the array on indices
____ = ____[____[____].____].____
# Save the new data without missing data
____ = ____.____(____)