jupyter代码改错

### 关于NULL的理解

在讨论如何修正Jupyter中的代码错误之前，先澄清一些关于`NULL`的概念。`NULL`是一个特殊值，在数据库和编程语言中用来表示缺失的数据或未定义的状态[^3]。

对于SQL查询而言，`COUNT(*)`会统计所有的行数，包括那些含有`NULL`值的字段；然而，如果使用`COUNT(column_name)`，则只会计算该列中非`NULL`的条目数量[^1]。这意味着当执行涉及计数的操作时，了解所使用的函数以及其对待`NULL`的态度非常重要。

至于C/C++等低级语言里的实现细节上，`NULL`常被解释成零值指针(`(void*)0`)，即指向地址空间起始处的一个无效位置——尽管实际上大多数现代系统不会允许访问真正的物理地址0x00000000。这种设计使得程序员可以通过检查指针是否等于`NULL`来判断它是否合法地指向某个对象实例[^2]。

不过需要注意的是，在Python这样的高级脚本语言里并没有真正意义上的`NULL`概念，取而代之地是用`NoneType`类型的单例对象`None`作为类似的替代品。而在像Pandas库这样专门处理表格化数据集的工具包内部，则可能会采用不同的机制（比如浮点型NaN）去标记缺失项。

### Jupyter Notebook 中处理 `null`

假设正在尝试解决与`pandas.DataFrame.isna()`方法有关的问题：

import pandas as pd

data = {'email': ['example@domain.com', None, 'another@example.org']}
df = pd.DataFrame(data)

# 显示哪些单元格包含 null/NA 值
print(df.isna())

# 统计每列中有多少个 NA/null 的项目
missing_values_count = df.isna().sum()
print(missing_values_count)

上述例子展示了怎样识别并量化DataFrame内的空缺情况。通过调用`.isna()`, 可以得到一个布尔矩阵指示各个位置是否存在缺失值；接着利用 `.sum()` 对这些真伪标志求和即可得知确切数目。