데이터 결측치 확인하기 - (isnull().sum()) | 파이썬 | 판다스

 

왜 결측치 탐색이 중요한가?

결측치(Null, NaN)는 데이터 분석 과정에서 반드시 확인해야 할 첫 번째 항목이다. 그대로 두면 모델 성능이 떨어지고 통계 분석 결과도 왜곡된다. 다행히 파이썬의 판다스(Pandas)는 결측치를 손쉽게 탐색하고 집계할 수 있는 함수를 제공한다. 그중 가장 직관적인 조합이 바로 아래 한 줄이다.

DataFrame.isnull().sum()

이 글에서는 이 한 줄이 왜 강력한지, 그리고 실무에서 어떻게 응용할 수 있는지 단계별로 정리한다.

---

1. isnull()로 결측치 위치 확인

import pandas as pd

data = {
    'name': ['Alice', 'Bob', None, 'Dave'],
    'age' : [25, None, 32, 29],
    'city': ['Seoul', 'Busan', 'Incheon', None]
}

df = pd.DataFrame(data)

# 결측치 위치 확인
df.isnull().head()

isnull()은 각 셀을 스캔해 결측값이면 True, 아니면 False를 반환한다. 따라서 원본 데이터프레임과 동일한 형태의 불리언 행렬이 만들어진다.

---

2. sum()으로 컬럼별 결측치 개수 집계

파이썬에서는 True가 1, False가 0으로 처리된다. 따라서 isnull() 뒤에 sum()을 이어주면 컬럼별 결측치 개수가 계산된다.

df.isnull().sum()

예상 출력

name    1
age     1
city    1
dtype: int64

---

3. 행 기준 집계가 필요할 때

axis 인자를 1로 지정하면 각 행마다 결측치가 몇 개인지 확인할 수 있다.

df.isnull().sum(axis=1)

---

4. 시각화로 한눈에 보기

결측치가 많은 컬럼을 시각적으로 확인하면 우선순위를 정하기 쉽다.

import matplotlib.pyplot as plt

null_counts = df.isnull().sum().sort_values(ascending=False)

plt.figure(figsize=(6, 4))
null_counts.plot(kind='bar')
plt.title('Missing Values per Column')
plt.ylabel('Count')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

---

5. isnull() 외에 알아두면 좋은 함수

• isna() : isnull()과 기능이 동일하다.
• info() : 전체 행 개수·데이터 타입·결측치 유무를 빠르게 확인한다.
• dropna(), fillna() : 결측치 삭제·대체까지 한 번에 처리한다.

---

마무리

isnull().sum()은 짧지만 강력하다. 위치 확인 → 개수 집계 → 시각화 → 처리 전략 수립까지 한 번에 이어지는 깔끔한 워크플로를 제공한다. 앞으로 결측치를 만났을 때, 이 한 줄부터 먼저 실행해 보자. 데이터 정제 효율이 확 달라질 것이다.