เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ตามรอยตัวเลข

ในแบบฝึกหัดนี้ คุณจะทำงานกับ DataFrame banking อีกเวอร์ชันหนึ่งที่มีค่าว่างทั้งในคอลัมน์ cust_id และคอลัมน์ acct_amount

เป้าหมายคือวิเคราะห์จำนวนลูกค้าที่ไม่ซ้ำกัน ยอดเงินเฉลี่ยที่ลูกค้าถือครอง และข้อมูลอื่น ๆ ทราบว่าแถวที่ cust_id เป็นค่าว่างไม่เป็นประโยชน์ต่อการวิเคราะห์ และโดยเฉลี่ยแล้ว acct_amount มักมีค่าประมาณ 5 เท่าของ inv_amount

ในแบบฝึกหัดนี้ จะลบแถวที่ cust_id เป็นค่าว่างออกจาก banking และเติมค่าว่างของ acct_amount โดยใช้ความรู้เฉพาะด้าน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การทำความสะอาดข้อมูลใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ .dropna() เพื่อลบแถวที่คอลัมน์ cust_id มีค่าว่างใน banking แล้วเก็บผลลัพธ์ไว้ในตัวแปร banking_fullid
  • ใช้ inv_amount คำนวณยอดเงินในบัญชีโดยประมาณสำหรับ banking_fullid โดยกำหนดให้ยอดเงินเท่ากับ inv_amount * 5 แล้วกำหนดผลลัพธ์ให้กับตัวแปร acct_imp
  • เติมค่าว่างของ acct_amount ใน banking_fullid ด้วย acct_imp ที่สร้างขึ้น โดยใช้ .fillna()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Drop missing values of cust_id
banking_fullid = banking.____(subset = ['____'])

# Compute estimated acct_amount
acct_imp = ____

# Impute missing acct_amount with corresponding acct_imp
banking_imputed = banking_fullid.____({'____':____})

# Print number of missing values
print(banking_imputed.isna().sum())
แก้ไขและรันโค้ด