Handling Missing Data

Missing Data ကိုင်တွယ်ခြင်း

Real-world data ထဲမှာ value ပျောက်နေတဲ့နေရာတွေ မကြာခဏရှိပါတယ်။ Pandas မှာ missing value ကို NaN အနေနဲ့မြင်ရလေ့ရှိပါတယ်။ Missing data ကို မစစ်ဘဲ calculation လုပ်ရင် result မမှန်တာ၊ chart မပေါ်တာ၊ model training မှားတာတွေ ဖြစ်နိုင်ပါတယ်။

• .isna() — missing value ရှိ/မရှိစစ်သည်
• .dropna() — missing value ပါတဲ့ row/column ကိုဖယ်သည်
• .fillna() — missing value ကို တန်ဖိုးတစ်ခုနဲ့ဖြည့်သည်

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "Product": ["Tea", "Coffee", "Cake"],
    "Price": [1200, np.nan, 2500],
    "Qty": [3, 2, np.nan]
})

print("Missing values per column:")
print(df.isna().sum())

filled = df.fillna({"Price": 0, "Qty": 0})
print("
After filling missing values:")
print(filled)

df.isna().sum() က column တစ်ခုချင်းစီမှာ missing value ဘယ်လောက်ရှိလဲပြပါတယ်။ fillna() မှာ dictionary သုံးပြီး column အလိုက် ဖြည့်မယ့်တန်ဖိုးကို သတ်မှတ်နိုင်ပါတယ်။

Missing values per column: Product 0 Price 1 Qty 1 dtype: int64 After filling missing values: Product Price Qty 0 Tea 1200.0 3.0 1 Coffee 0.0 2.0 2 Cake 2500.0 0.0