Для анализа пропущенных данных в Pandas DataFrame можно использовать следующие методы:

1. Детектирование пропущенных данных. 1 Для этого можно использовать функции isna() или isnull(). 13 Они возвращают DataFrame с логическими значениями, указывающими на пропущенные значения. 1
2. Подсчёт пропущенных данных. 1 Для этого можно использовать функцию sum(), которая рассчитывает общее количество пропущенных значений в каждом столбце. 1 Также есть функция count(), которая возвращает счёт непо пропущенных значений в каждом столбце, исключая NaN-значения. 1
3. Удаление пропущенных данных. 14 Для этого можно использовать функцию dropna(), которая удаляет все строки или столбцы, содержащие пропущенные значения. 14
4. Заполнение пропущенных данных. 14 Для этого можно использовать функцию fillna(), которая заполняет пропущенные значения указанным значением или с помощью различных техник, таких как прямое или обратное заполнение, интерполяция. 1
5. Замена значений. 1 Для этого можно использовать функцию replace(), которая заменяет указанные значения новыми по всему DataFrame. 1
6. Интерполяция пропущенных данных. 1 Для этого можно использовать функцию interpolate(), которая интерполирует пропущенные значения с помощью различных методов интерполяции, таких как линейный или полиномиальный. 1
7. Проверка импутации. 1 После обработки пропущенных данных можно использовать функцию isnull(), чтобы проверить, не остались ли пропущенные значения. 1

Выбор метода зависит от конкретного набора данных и задачи.