當資料集中的遺漏值是完全隨機發生時，最簡單的處理方式就是移除那些列，也稱為「整列刪除」。
依使用情境而定，有時你會想移除資料中的所有遺漏值；另一些時候，若某欄位的遺漏比例過高，你可能只想移除那個欄位。
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
# Print the number of rows and columns print(so_survey_df.____)
在本章中，你將探索什麼是特徵工程，以及如何開始將它應用到真實世界的資料。你會載入、探索並視覺化一個調查回覆資料集，並在此過程中學習其底層資料型別，以及這些型別為何會影響你應該如何設計特徵。你將使用 pandas 套件，從類別與連續欄位建立新的特徵。
本章將帶你面對凌亂且不完整的資料現實。你會學到如何找出資料中的遺漏值，並探索多種處理方式。你也會使用字串處理技巧，清除資料集中不需要的字元。
當前練習
在本章中，你將著重於分析資料的底層分佈，並評估其是否會影響你的機器學習流程。你會學到如何處理偏態資料，以及在離群值可能對分析造成負面影響時該怎麼做。
最後，在本章中，你將處理非結構化文字資料，了解如何從文本語料中設計出欄位型特徵。你會比較不同作法如何影響可從文本擷取的脈絡量，並學會在保留足夠脈絡與避免產生過多特徵之間取得平衡。