資料在產生或蒐集時可能因為各種原因出現缺失值（Missing Value），導致資料集中缺少某些觀測值或該值無法表示或測量，因此，處理缺失值是數據分析中很重要的前置作業，本篇將和大家分享觀察缺失值的幾種方式，內容包含：

1. 介紹缺失值
2. 檢查缺失值
3. 計算缺失值數量
4. 檢視特定缺失值資料

■ 簡介｜常見的缺失值

1. NaN（Not a Number）：
   常見於數值運算時，表示一個非數值的缺失值，Pandas 以浮點數的方式處理。
2. None：
   可用在任何資料型態，但常見於物件運算時，表示為一個空值，Pandas 以 Python 物件處理。

■ 案例

1. 基本資料
   

2. 程式碼

import pandas as pd
import numpy as np
data = {'name':['Alan','Joseph','Wennie','Ruby','Chris','Tanya'],
        'age':[18,23,19,15,30,26],
        'weight':[65,80,np.nan,np.nan,88,60],
        'height':[168,182,161,np.nan,172,163]}
df = pd.DataFrame(data)

■ 方法｜檢查缺失值

1. 使用 isnull() 或 isna() 方法判斷，當返回的布林值結果為 True 時，表示為缺失值。
舉例：檢查案例中的資料是否具有缺失值

print(df.isnull())  # 檢查缺失值
print('--------------------------------')
print(df.isna())    # 檢查缺失值

輸出結果：

2. 使用 notnull() 方法判斷，當返回的布林值結果為 False 時，表示為缺失值。
舉例：檢查 weight 欄位中是否有缺失值

print(df['weight'].notnull())

輸出結果：

以上兩種方法都可以協助你檢查資料集中的缺失值，自行決定習慣用法即可！

■ 方法｜計算缺失值數量

　　當資料集中有許多缺失值時，可使用 isnull() 搭配 sum() 並指定參數 axis 計算各行各列的缺失值數量。 axis 預設為 0，取得各欄位的缺失值數量；axis 為 1 ，則取各行的缺失值數量。

舉例：分別計算案例中各欄位和各筆資料的缺失值數量

print(df.isnull().sum())        # 計算各欄位的缺失值數量
print('--------------------------------')
print(df.isnull().sum(axis=1))  # 計算各筆資料的缺失值數量

輸出結果：

■ 方法｜檢視特定缺失值資料

使用布林索引（Boolean indexing）的方法篩選特定缺失值資料。
舉例：檢視 weight 欄位中兩筆包含缺失值的資料

print(df[df['weight'].isnull()])

輸出結果：

■ 結語

　　以上方法可以協助你快速找出缺失值，並計算與羅列具有缺失值的資料，如果有任何不理解、錯誤或其他方法想分享的話，歡迎留言給我！喜歡的話，也歡迎按讚訂閱！下一篇文章將和大家分享如何透過資料清理處理缺失值！我是 Eva，一位正在努力跨進資料科學領域的女子！我們明天見！Bye Bye~
【本篇文章將同步更新於個人的 Medium，期待與您的相遇！】