Python | Marco de datos de pandas.notna()

Python es un excelente lenguaje para realizar análisis de datos, principalmente debido al fantástico ecosistema de paquetes de Python centrados en datos. Pandas es uno de esos paquetes y facilita mucho la importación y el análisis de datos.
La función pandas dataframe.notna() detecta valores existentes/que no faltan en el marco de datos. La función devuelve un objeto booleano que tiene el mismo tamaño que el objeto sobre el que se aplica, indicando si cada valor individual es un valor na o no. Todos los valores que no faltan se asignan a verdadero y los valores que faltan se asignan a falso. 
Nota: Los caracteres como strings vacías «o numpy.inf no se consideran valores NA. (a menos que configure pandas.options.mode.use_inf_as_na = True).
 

Sintaxis: DataFrame.notna()
Devuelve: Máscara de valores bool para cada elemento en DataFrame que indica si un elemento no es un valor NA 
 

Ejemplo #1: use la función notna() para encontrar todos los valores que no faltan en el marco de datos.
 

Python3

# importing pandas as pd import pandas as pd    # Creating the first dataframe  df = pd.DataFrame({"A":[14, 4, 5, 4, 1],                    "B":[5, 2, 54, 3, 2],                     "C":[20, 20, 7, 3, 8],                    "D":[14, 3, 6, 2, 6]})    # Print the dataframe df

Usemos la función dataframe.notna() para encontrar todos los valores que no faltan en el marco de datos. 
 

Python3

# find non-na values df.notna()

Producción : 
 

Como podemos ver en el resultado, todos los valores que no faltan en el marco de datos se han mapeado como verdaderos. No hay ningún valor falso ya que no falta ningún valor en el marco de datos. 
 
Ejemplo #2: Use la función notna() para encontrar los valores que no faltan, cuando faltan valores en el marco de datos.
 

Python3

# importing pandas as pd import pandas as pd    # Creating the dataframe  df = pd.DataFrame({"A":[12, 4, 5, None, 1],                    "B":[7, 2, 54, 3, None],                     "C":[20, 16, 11, 3, 8],                    "D":[14, 3, None, 2, 6]})    # find non-missing values df.notna()

Producción : 
 

Como podemos ver en el resultado, las celdas que tenían valores na se asignaron como falsas y todas las celdas que tenían valores no perdidos se asignaron como verdaderas.