處理雜散字元（II）
在上一個練習中，你只靠 df.head() 的輸出就能很快看出是哪一些字元造成問題。但很多時候並不會這麼明顯。常常是在欄位深處有某些值，讓你無法把該欄位轉成數值型別，因而無法用於模型或後續的特徵工程。
一個做法是強制把欄位轉成你想要的資料型別，使用 pd.to_numeric()，把造成問題的值強制轉為 NaN，然後再篩選出含有 NaN 的那些列。
嘗試把 RawSalary 欄位轉成 float，你會失敗，因為其中又多出了一個字元。找出並移除這個字元，讓該欄位可以順利轉成 float。
本練習屬於課程
Feature Engineering for Machine Learning in Python
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Attempt to convert the column to numeric values
numeric_vals = ____(so_survey_df['RawSalary'], errors='coerce')
# Find the indexes of missing values
idx = ____
# Print the relevant rows
print(so_survey_df['RawSalary']____)