<\/p>\n
Anda dapat menggunakan metode berikut untuk menghapus nilai NaN dari array NumPy:<\/span><\/p>\n Metode 1: Gunakan isnan()<\/strong><\/span><\/p>\n Metode 2: Gunakan isfinite()<\/strong><\/span><\/p>\n Metode 3: Gunakan logika_tidak()<\/strong><\/span><\/p>\n Masing-masing metode ini menghasilkan hasil yang sama, namun metode pertama adalah metode yang paling singkat untuk dilakukan sehingga cenderung paling sering digunakan.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan masing-masing metode dalam praktik.<\/span><\/p>\n Kode berikut menunjukkan cara menghapus nilai NaN dari array NumPy menggunakan fungsi isnan()<\/strong> :<\/span><\/p>\n Perhatikan bahwa kedua nilai NaN telah berhasil dihapus dari array NumPy.<\/span><\/p>\n Metode ini hanya menyimpan semua elemen array yang bukan nilai (~)NaN.<\/span><\/p>\n Kode berikut menunjukkan cara menghapus nilai NaN dari array NumPy menggunakan fungsi isfinite()<\/strong> :<\/span><\/p>\n Perhatikan bahwa kedua nilai NaN telah berhasil dihapus dari array NumPy.<\/span><\/p>\n Metode ini hanya menyimpan semua elemen array yang nilainya terbatas.<\/span><\/p>\n Karena nilai NaN tidak terbatas, maka nilai tersebut dihapus dari tabel.<\/span><\/p>\n Kode berikut menunjukkan cara menghapus nilai NaN dari array NumPy menggunakan fungsi logika_not()<\/strong> :<\/span><\/p>\n Perhatikan bahwa kedua nilai NaN telah berhasil dihapus dari array NumPy.<\/span><\/p>\n Meskipun metode ini setara dengan dua metode sebelumnya, metode ini memerlukan lebih banyak pengetikan dan oleh karena itu tidak sering digunakan.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan operasi umum lainnya dengan Python:<\/span><\/p>\n Pandas: Cara mengganti string kosong dengan NaN<\/a> Anda dapat menggunakan metode berikut untuk menghapus nilai NaN dari array NumPy: Metode 1: Gunakan isnan() new_data = data[~np. isnan (data)] Metode 2: Gunakan isfinite() new_data = data[np. isfinite (data)] Metode 3: Gunakan logika_tidak() new_data = data[np. logical_not (np. isnan (data))] Masing-masing metode ini menghasilkan hasil yang sama, namun metode pertama adalah metode yang paling […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n new_data = data[~np. isnan<\/span> (data)]\n<\/span><\/span><\/strong><\/pre>\n new_data = data[np. isfinite<\/span> (data)]<\/strong><\/pre>\n new_data = data[np. logical_not<\/span> (np. isnan<\/span> (data))]\n<\/strong><\/pre>\n Contoh 1: Hapus nilai NaN menggunakan isnan()<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\n#create array of data\n<\/span>data = np. array<\/span> ([4, np.nan, 6, np.nan, 10, 11, 14, 19, 22])\n\n#define new array of data with nan values removed\n<\/span>new_data = data[~np. isnan<\/span> (data)]\n\n#view new array\n<\/span>print<\/span> (new_data)\n\n[4. 6. 10. 11. 14. 19. 22.]\n<\/strong><\/span><\/pre>\n Contoh 2: Hapus nilai NaN menggunakan isfinite()<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\n#create array of data\n<\/span>data = np. array<\/span> ([4, np.nan, 6, np.nan, 10, 11, 14, 19, 22])\n\n#define new array of data with nan values removed\n<\/span>new_data = data[np. isfinite<\/span> (data)]\n\n#view new array\n<\/span>print<\/span> (new_data)\n\n[4. 6. 10. 11. 14. 19. 22.]\n<\/strong><\/span><\/pre>\n Contoh 3: Hapus nilai NaN menggunakan logika_not()<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\n#create array of data\n<\/span>data = np. array<\/span> ([4, np.nan, 6, np.nan, 10, 11, 14, 19, 22])\n\n#define new array of data with nan values removed\n<\/span>new_data = data[np. logical_not<\/span> (np. isnan<\/span> (data))]\n#view new array\n<\/span>print<\/span> (new_data)\n\n[4. 6. 10. 11. 14. 19. 22.]\n<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Pandas: cara mengganti nilai NaN dengan string<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"