Como filtrar los vacíos, NaN, null en Python

En Python, es común encontrarse con datos faltantes o vacíos, representados por NaN, Null o simplemente como una cadena vacía (""). En esta guía, aprenderemos cómo filtrar estos valores inútiles usando algunas técnicas sencillas.

Filtrando valores NaN

Para filtrar valores NaN, podemos usar la función Pandas.isna(). Esta función devuelve una matriz booleana que identifica cuáles son los valores NaN en un DataFrame.

import pandas as pd

df = pd.read_csv('data.csv')

# Filtrando valores NaN en el DataFrame
df = df[pd.notna(df)]

Filtrando valores Null

Para filtrar valores Null, podemos usar la función Pandas.notnull(). Esta función devuelve una matriz booleana que identifica cuáles son los valores Null en un DataFrame.

import pandas as pd

df = pd.read_csv('data.csv')

# Filtrando valores Null en el DataFrame
df = df[pd.notnull(df)]

Filtrando valores vacíos

Para filtrar valores vacíos, podemos usar la función Pandas.dropna(). Esta función elimina todas las filas que contienen un valor vacío.

import pandas as pd

df = pd.read_csv('data.csv')

# Filtrando valores vacíos en el DataFrame
df = df.dropna()

También es posible filtrar valores vacíos de una columna específica utilizando la función Pandas.DataFrame.loc[].

import pandas as pd

df = pd.read_csv('data.csv')

# Filtrando valores vacíos en una columna específica
df = df.loc[df['nombre_de_columna'] != '']

Al filtrar valores faltantes o vacíos de nuestros datos, podemos asegurarnos de que nuestros algoritmos y modelos de machine learning se ajusten a datos limpios y precisos.

Espero que esta guía haya sido útil para usted al aprender cómo filtrar valores NaN, Null y vacíos en Python.