No final da aula foi ensinado a utilização do filmna() para retirar todos os nulos através de um dicionário. Achei ótimo, aliás, e pelo que entendi, sequer precisamos fazer aquelas etapas mais demoradas de seleção dos nulos, certo? Aquilo foi só para demonstrar outra forma, não é?
Olá Pietro.
Ambas as técnicas vão tratar o nosso problema com os dados nulos, porem cada uma vai gerar um resultado diferente.
Com o dropna vamos perder nossos dados, por exemplo se tivermos 100 registros e 20 tem dados nulos, apos o tratamento teremos 80 registros.
Já com o fillna podemos modificar os registro que tem dados nulos para um valor que julgarmos não vai impactar negativamente na nossa analise, então se tivermos os mesmo 100 registros com 20 dados nulos, apos o tratamento ainda teremos 100 registros para analisarmos.
Bons Estudos.
Olá Pietro, tudo certinho por aí??
Para deixar a informação sobre a utilização do fillna mais clara, o método substitui dados faltantes através da biblioteca Pandas no seu DataFrame, no lugar de retirar aquele dado por completo. Olhando o exemplo a seguir, você conseguirá perceber que os NaN foram substituídos por 0.
import pandas as pd
import numpy as np
from datetime import datetime
dados = pd.DataFrame({'col A' : [1,2,3,4,5,6,np.nan],
'col B' : ['a',np.nan,'c','d',np.nan,'e','f'],
'col C' : [np.nan,True,False,True,True,False,True],
'col D' : [datetime.now(),datetime.now(),np.nan,datetime.now(),datetime.now(),datetime.now(),datetime.now()]})
dados.fillna(0, inplace = True)
dados
Out[]:
col A col B col C col D
0 1.0 a 0 2020-06-30 11:56:25.813239
1 2.0 0 True 2020-06-30 11:56:25.813239
2 3.0 c False 1970-01-01 00:00:00.000000
3 4.0 d True 2020-06-30 11:56:25.813239
4 5.0 0 True 2020-06-30 11:56:25.813239
5 6.0 e False 2020-06-30 11:56:25.813239
6 0.0 f True 2020-06-30 11:56:25.813239Espero ter te ajudado e qualquer dúvida é só retornar aqui! Bons estudos =)