Всякие полезности

#map
    """
    Это классная команда для простого преобразования данных. Определяете словарь, в котором «ключами» являются старые значения,
    а «значениями» – новые значения:
    """

level_map = {1: 'high', 2: 'medium', 3: 'low'}
df['c_level'] = df['c'].map(level_map)

#value counts
    """
    Команда для проверки распределения значений. Чтобы проверить возможные значения и частоту каждого отдельного значения
    в столбце 'c', выполните:
    """

df['c'].value_counts()
#Некоторые полезные трюки и аргументы этой функции:
    """
    normalize = True – проверить частоту вместо подсчёта.
    dropna = False – включить пропущенные значения в статистику.
    df['c'].value_counts().reset_index() – преобразовать таблицу статистики в объект Pandas DataFrame.
    df['c'].value_counts().reset_index().sort_values(by='index') – показывать статистику, отсортированную по уникальным
    значениям в столбце 'c' вместо количества.
    """

#Количество пропущенных значений
    """
    При построении моделей часто надо исключить строку с большим количеством пропущенных значений или строки со всеми
    пропущенными значениями. Используйте .isnull() и .sum() для подсчёта количества пропущенных значений в указанных столбцах:
    """

import pandas as pd
import numpy as np
df = pd.DataFrame({ 'id': [1,2,3], 'c1':[0,0,np.nan], 'c2': [np.nan,1,1]})
df = df[['id', 'c1', 'c2']]
df['num_nulls'] = df[['c1', 'c2']].isnull().sum(axis=1)
df.head()