Avancerad hantering av saknade värden
I föregående övning såg du hur man identifierar hur många saknade värden det finns i varje kolumn i en DataFrame, och sedan kan man enkelt ta bort de rader som har saknade värden. Men vad händer om det finns många rader med saknade värden? Vad händer om du inte vill börja radera rader från datan? Då kommer konceptet ersättning in – du kan ersätta de saknade värdena med något annat.
I den här övningen arbetar du med samma DataFrame sales_df som i förra övningen, men i stället för att ta bort saknade värden ersätter du dem i varje kolumn med medelvärdet av alla icke-saknade värden. Du skriver en funktion som sedan kan tillämpas på valfri kolumn i en DataFrame.
Den här övningen är en del av kursen
Julia för medelnivå
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Define a function replace_missing that takes one argument, the name of the column we want to modify
____ replace_missing(____)
end