الدليل لتحديد ومعالجة NaN في بايثون | القيم المفقودة

1. طريقة تحديد NaN في بايثون

ما هو NaN؟

أهمية تحديد NaN

2. طريقة إنشاء NaN

num = float('nan')
print(num)  # النتيجة: nan

الفرق بين None

num = float('nan')
print(num == num)  # النتيجة: False

none_value = None
print(none_value == None)  # النتيجة: True

3. طريقة تحديد NaN

3.1. الفحص باستخدام المكتبة القياسية (math.isnan())

import math

num = float('nan')
print(math.isnan(num))  # النتيجة: True

3.2. الفحص باستخدام NumPy (numpy.isnan())

import numpy as np

num_list = [1, 2, np.nan, 4]
print(np.isnan(num_list))  # النتيجة: [False False  True False]

3.3. الفحص باستخدام pandas (pandas.isna())

import pandas as pd
import numpy as np

data = pd.Series([1, 2, np.nan, 4])
print(pd.isna(data))  # النتيجة: 0    False
                      #      1    False
                      #      2     True
                      #      3    False

4. طريقة حذف أو استبدال NaN

4.1. حذف NaN من القائمة

import math

num_list = [1, 2, float('nan'), 4]
clean_list = [num for num in num_list if not math.isnan(num)]
print(clean_list)  # النتيجة: [1, 2, 4]

4.2. حذف NaN باستخدام pandas (dropna())

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [4, np.nan, 6]})
clean_df = df.dropna()
print(clean_df)

4.3. استبدال NaN باستخدام pandas (fillna())

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [4, np.nan, 6]})
df.fillna(0, inplace=True)
print(df)

5. الحسابات التي تحتوي على NaN

import numpy as np

result = 10 + np.nan
print(result)  # النتيجة: nan

مثال على حساب إحصائي يحتوي على NaN

import numpy as np

data = [1, 2, np.nan, 4]
mean = np.nanmean(data)  # حساب المتوسط مع تجاهل NaN
print(mean)  # النتيجة: 2.3333...

6. ملاحظات حول فحص NaN

6.1. سلوك عوامل المقارنة

num = float('nan')
print(num == num)  # النتيجة: False

6.2. نقاط مهمة عند تنظيف البيانات

7. ملخص