Напишите функцию count_nan, которая принимает на вход DataFrame, и в качестве результата возвращает количество отсутствующих в нём значений (None или np.nan). Пример data = pd.DataFrame({'Имя': ['Анна', 'Михаил', None], 'Возраст': [np.nan, 35, 1]}) result = count_nan(data) print(result) # result = 2

Цель задачи: понять решение пошагово и привестиWorking-код. Что делает функция - Используется метод isna() (или isnull()) у DataFrame. Он возвращает DataFrame из булевых значений: True там, где значение отсутствующее (None или NaN), и False в остальных. - Затем суммируем по столбцам, чтобы получить количество пропусков в каждом столбце: df.isna().sum(). - Добавляем суммы по всем столбцам, чтобы получить общее количество пропусков во всем DataFrame: df.isna().sum().sum(). - Приводим результат к обычному Python-int для удобства использования. Код def count_nan(df): """ Возвращает общее количество отсутствующих значений (None или NaN) во всем DataFrame. """ return int(df.isna().sum().sum()) Пояснения по шагам - df.isna() превращает DataFrame в булевый: True там, где значение отсутствующее. - .sum() по умолчанию суммирует по столбцам, возвращая Series с количеством пропусков в каждом столбце. - Второй .sum() суммирует все значения в этой Series, получая общую сумму пропусков. - int(...) обеспечивает, что возвращаемое значение — обычный целочисленный тип Python. Пример использования import numpy as np import pandas as pd data = pd.DataFrame({'Имя': ['Анна', 'Михаил', None], 'Возраст': [np.nan, 35, 1]}) result = count_nan(data) print(result) # 2 Дополнительные заметки - Функция учитывает и None, и np.nan, так как оба являются пропусками в pandas. - Если пропусков в DataFrame нет — вернется 0. - Если потребуется посчитать пропуски по каждому столбцу отдельно, можно вернуть data.isna().sum() (это Series).