{"id":17260,"date":"2025-05-14T12:10:59","date_gmt":"2025-05-14T12:10:59","guid":{"rendered":"https:\/\/datama.io\/?p=17260"},"modified":"2026-01-29T18:42:10","modified_gmt":"2026-01-29T18:42:10","slug":"fixing-the-missing-values-issue-with-datama-fill-in-null-value-function","status":"publish","type":"post","link":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/","title":{"rendered":"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction \u00ab\u00a0Fill in null value\u00a0\u00bb de Datama"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Avez-vous d\u00e9j\u00e0 \u00e9t\u00e9 confront\u00e9 \u00e0 des difficult\u00e9s pour attribuer correctement des mesures \u00e0 diff\u00e9rentes dimensions lors de l’analyse des indicateurs de performance cl\u00e9s ?<\/p>

Consid\u00e9rez le sc\u00e9nario suivant : vous disposez de deux tables distinctes. Le premier ventile les donn\u00e9es de transaction par pays et par sexe de l’utilisateur. Le second d\u00e9taille les ventes de produits et les revenus, segment\u00e9s par nom de produit et par pays.<\/p>

Voici le d\u00e9fi : comment pouvez-vous \u00e9valuer de mani\u00e8re fiable l’impact du sexe de l’utilisateur sur le chiffre d’affaires pour diff\u00e9rents noms de produits, lorsque le sexe n’est pas directement li\u00e9 aux produits dans les donn\u00e9es ?<\/p>

\"\"<\/figure>

Figure 1 Source<\/a><\/p>

Prenons une autre situation courante dans l’analyse des performances du E-commerce . Supposons que vous disposiez de donn\u00e9es agr\u00e9g\u00e9es fiables sur les sessions et les recettes provenant de vos syst\u00e8mes dorsaux (voir figure 2). Ces donn\u00e9es sont fiables et compl\u00e8tes, mais elles ne sont pas tr\u00e8s flexibles.<\/p>

Qu’en est-il si vous souhaitez analyser l’\u00e9volution de ces recettes r\u00e9elles sur les appareils mobiles ? Contrairement \u00e0 ce que vous obtenez de l’API de votre outil d’analyse Web pr\u00e9f\u00e9r\u00e9, comme Google Analytics (voir figure 3), qui fournit souvent des mesures de revenus mobiles qui ne correspondent pas tout \u00e0 fait aux chiffres du back-end, vous \u00eates maintenant coinc\u00e9 avec un d\u00e9calage. Alors, comment combler ce foss\u00e9 pour obtenir des informations significatives et sp\u00e9cifiques \u00e0 l’appareil \u00e0 partir de votre source de donn\u00e9es la plus pr\u00e9cise ?<\/p>

\"\"<\/figure>

Figure 2 Source<\/a><\/p>

\"\"<\/figure>

Figure 3 Source<\/a><\/p>

Au c\u0153ur de tous ces exemples se trouve un probl\u00e8me commun : la r\u00e9attribution des mesures aux dimensions que vous souhaiteriez<\/em> avoir, mais qui n’existent pas r\u00e9ellement dans la structure actuelle des donn\u00e9es. L’\u00e9tape cl\u00e9 pour relever ce d\u00e9fi est ce que nous appelons le \u00ab\u00a0remplissage des valeurs nulles\u00a0\u00bb.<\/strong><\/p>

Dans cet article, nous allons voir comment r\u00e9soudre ce type de probl\u00e8me en utilisant Datama, en tirant parti de l’une des derni\u00e8res fonctionnalit\u00e9s du bloc \u00ab\u00a0Append\u00a0\u00bb : la fonction Fill in Null Values<\/strong>. Cette fonction vous permet de redistribuer intelligemment une valeur agr\u00e9g\u00e9e ou mal align\u00e9e \u00e0 travers les dimensions souhait\u00e9es – m\u00eame lorsque ces dimensions ne sont pas enti\u00e8rement remplies dans votre jeu de donn\u00e9es – en remplissant les valeurs nulles \u00e0 travers toutes les lignes pertinentes dans la colonne cible.<\/p>

Conceptuellement, cette fonction marche en utilisant la distribution d’autres indicateurs disponibles d\u00e9j\u00e0 r\u00e9partis selon la dimension que vous ciblez. Prenons notre premier exemple : si les transactions ne sont pas r\u00e9parties par nom de produit, la quantit\u00e9 et le chiffre d’affaires le sont<\/em>. Nous pouvons donc r\u00e9attribuer les transactions par nom de produit en utilisant la distribution proportionnelle de la quantit\u00e9 ou du chiffre d’affaires, selon ce qui est le plus logique pour l’analyse. Cela permet de s’assurer que la distribution reste coh\u00e9rente avec les mod\u00e8les d\u00e9j\u00e0 pr\u00e9sents dans vos donn\u00e9es.<\/p>

Dans les prochaines sections, nous d\u00e9montrerons comment cela fonctionne en pratique en utilisant les deux cas d’usage que nous avons pr\u00e9sent\u00e9s plus t\u00f4t.<\/p>

Cas d’usage 1 :<\/strong><\/h2>

Concentrons-nous maintenant sur un cas sp\u00e9cifique : l’analyse de l’\u00e9volution des indicateurs cl\u00e9s de performance – \u00e0 savoir le nombre d’achats, le nombre moyen de produits par achat et le prix moyen par produit vendu – pour le produit A entre le troisi\u00e8me et le quatri\u00e8me trimestre.<\/p>

Pour ce faire, nous commen\u00e7ons par \u00e9tablir une \u00e9quation de march\u00e9 dans la solution Datama Compare. Cette \u00e9quation servira de base pour d\u00e9composer le changement de la performance globale en ses facteurs contributifs, nous aidant \u00e0 isoler ce qui est \u00e0 l’origine de l’\u00e9volution de chaque ICP au fil du temps. (en savoir plus<\/a> sur Datama Compare) :<\/p>

\"\"<\/figure>

Figure 4<\/p>

Pour que l’\u00e9quation fonctionne, nous devons r\u00e9partir les performances en fonction du sexe du client<\/em> et du nom du produit<\/em> pour toutes les mesures. Voici ce qu’il faut faire pour pr\u00e9parer les donn\u00e9es.<\/p>

\u00c9tape 1 : R\u00e9unir deux tableaux en un seul <\/strong><\/h3>

Nous commen\u00e7ons par ajouter les deux tableaux non li\u00e9s illustr\u00e9s dans la figure 5 ci-dessus dans le bloc Datama Prep. Dans ce bloc, nous utilisons la fonction Append, con\u00e7ue pour fusionner des ensembles de donn\u00e9es qui n’ont pas de relation existante. Cette fonction nous permet de combiner les tableaux en un seul ensemble de donn\u00e9es coh\u00e9rent, en les alignant verticalement par l’empilement de lignes provenant des deux sources.<\/p>

\"\"<\/figure>

Figure 5<\/p>

Nous avons ensuite une table qui a seulement fusionn\u00e9 toutes les lignes, mais qui n’a pas r\u00e9attribu\u00e9 toutes les m\u00e9triques dans toutes les dimensions :<\/p>

\"\"<\/figure>

Figure 6 Source<\/a><\/p>

\u00c9tape 2 Remplir les valeurs nulles<\/strong><\/h3>

Ce qui est magique, c’est qu’en activant la fonction \u00ab\u00a0Fill in null value\u00a0\u00bb \u00e0 l’\u00e9tape d’Append dans Datama, nous pouvons r\u00e9attribuer les transactions<\/em> \u00e0 chaque ligne individuelle du nom du produit <\/em>en utilisant la quantit\u00e9 <\/em>comme cl\u00e9 d’attribution, et distribuer la quantit\u00e9 <\/em>et le revenu <\/em>par sexe du client<\/em> sur la base de la proportion de transactions. <\/em><\/p>

\"\"<\/figure>

Figure 7<\/p>

\u00c9tape 3 tableau r\u00e9attribu\u00e9<\/strong><\/h3>

En cliquant sur \u00ab\u00a0Apply\u00a0\u00bb, vous verrez imm\u00e9diatement le tableau r\u00e9attribu\u00e9 comme ci-dessous. Ici, la distribution de chaque pays <\/em>et nom de produit<\/em> est bas\u00e9e sur la quantit\u00e9<\/em>, et la r\u00e9partition du sexe des clients<\/em> pour chaque pays est bas\u00e9e sur les transactions<\/em>. Ne soyez pas surpris par les nombres d\u00e9cimaux pour la quantit\u00e9 et les transactions<\/em>, qui semblent hors de la logique, mais ils sont correctement pond\u00e9r\u00e9s. Si vous additionnez tous ces chiffres, vous obtiendrez le m\u00eame total que pr\u00e9c\u00e9demment (voir figure 6).<\/p>

Nous disposons donc maintenant d’un tableau r\u00e9attribu\u00e9 avec toutes les mesures disponibles pour chaque ligne de dimensions.<\/p>

\"\"<\/figure>

Figure 8 Source<\/a><\/p>

\u00c9tape 4 Analyse Datama Compare<\/strong><\/h3>

Ensuite, l’analyse facile dans Datama compare pour voir comment les changements de KPI (nombre d’achats, nombre moyen de produits par achat et prix moyen par produit vendu) ont eu un impact sur le chiffre d’affaires entre le troisi\u00e8me et le quatri\u00e8me trimestre. Gr\u00e2ce \u00e0 la flexibilit\u00e9 de la fonction de filtrage de Datama, nous pouvons facilement appliquer des filtres sur toutes les dimensions disponibles. Dans ce cas, nous filtrons simplement sur le produit A, ce qui garantit que notre analyse se concentre uniquement sur cette cat\u00e9gorie sp\u00e9cifique tout au long de la comparaison.<\/p>

\"\"<\/figure>

Figure 9<\/p>

Du troisi\u00e8me au quatri\u00e8me trimestre, nous observons une augmentation globale du chiffre d’affaires du produit A. Cette croissance est principalement due aux contributions des \u00c9tats-Unis et de la France. Cependant, le nombre moyen d’articles vendus par achat et la taille du panier moyen ont en fait diminu\u00e9 au cours de cette p\u00e9riode.<\/p>

Cas d’usage 2 :<\/strong><\/h2>

Dans le second cas d’utilisation, nous travaillons avec des donn\u00e9es fiables sur les sessions et les revenus provenant du back-end, toutes deux agr\u00e9g\u00e9es et dignes de confiance. Cependant, nous voulons d\u00e9composer les performances en utilisant des dimensions typiques de GA comme l’appareil ou le navigateur.<\/p>

Par exemple, disons que nous voulons analyser l’\u00e9volution du chiffre d’affaires r\u00e9el g\u00e9n\u00e9r\u00e9 sur Mobile uniquement – pas seulement les chiffres rapport\u00e9s directement par GA, qui peuvent souvent comporter des incoh\u00e9rences – mais la version corrig\u00e9e pour s’aligner sur les donn\u00e9es de back-end. Cela permet d’obtenir une vue plus pr\u00e9cise et plus granulaire des performances sur l’ensemble des appareils, sur la base de donn\u00e9es v\u00e9rifi\u00e9es.<\/p>

\"\"<\/figure>

Figure 10 Source<\/a><\/p>

Pour ce faire, nous devons distribuer les sessions de l’IT (enregistrements de back-end) sur la base de la distribution GA et, de la m\u00eame mani\u00e8re, les recettes de l’IT (enregistrements de back_end) sur la base de la distribution GA des recettes.<\/p>

La d\u00e9monstration \u00e9tape par \u00e9tape est la suivante :<\/p>

Nous cr\u00e9ons une \u00e9quation de march\u00e9 pour Datama compare :<\/p>

\"\"<\/figure>

Figure 11<\/p>

\u00c9tape 1 : R\u00e9unir deux tableaux en un seul <\/strong><\/h3>

Ajoutez deux sources et ajoutez-les ensemble et nous obtenons le tableau fusionn\u00e9.<\/p>

\"\"<\/figure>

Figure 12<\/p>

\"\"<\/figure>

Figure 13 Source<\/a><\/p>

\u00c9tape 2 Remplir les valeurs nulles<\/strong><\/h3>

Faites correspondre les mesures respectivement de mani\u00e8re \u00e0 ce que les sessions et les recettes agr\u00e9g\u00e9es soient r\u00e9parties dans chaque ligne.<\/p>

\"\"<\/figure>

Figure 14<\/p>

\u00c9tape 3 tableau r\u00e9attribu\u00e9<\/strong><\/h3>

Vous obtiendrez imm\u00e9diatement le tableau r\u00e9attribu\u00e9 :<\/p>

\"\"<\/figure>

Figure 15 Source<\/a><\/p>

\u00c9tape 4 Analyse Datama Compare<\/strong><\/h3>

Enfin, en un seul clic, Datama vous permet de visualiser instantan\u00e9ment tous les changements dans les dimensions de GA entre deux p\u00e9riodes comparables. Que vous regardiez l’appareil, le navigateur, le pays ou toute autre dimension, vous obtenez une vue claire et structur\u00e9e de ce qui est \u00e0 l’origine des changements, ce qui rend l’analyse en profondeur plus rapide et beaucoup plus intuitive.<\/p>

\"\"<\/figure>

Figure 16<\/p>

Nous pouvons constater que l’augmentation des recettes r\u00e9elles est principalement due \u00e0 l’am\u00e9lioration du taux de conversion, en particulier du trafic provenant du navigateur Chrome. Bien que le taux de consentement ait eu un impact n\u00e9gatif sur les revenus, son effet n’a pas \u00e9t\u00e9 aussi important que la contribution positive de l’am\u00e9lioration du taux de conversion.<\/p>

Conclusion <\/strong><\/h2>

La fonction \u00ab\u00a0Fill in null value\u00a0\u00bb est particuli\u00e8rement utile dans les cas o\u00f9 les donn\u00e9es sont incompl\u00e8tes, comme les valeurs manquantes ou les m\u00e9triques non renseign\u00e9es, car elle permet d’attribuer \u00e0 chaque ligne une valeur proportionnelle, garantissant ainsi la coh\u00e9rence et la pr\u00e9cision de l’analyse. Cette fonction distribue les valeurs en fonction de la part des mesures disponibles, en veillant \u00e0 ce que la r\u00e9attribution maintienne une tendance similaire \u00e0 celle des donn\u00e9es existantes. Cette approche permet d’\u00e9viter la distorsion des donn\u00e9es ou les analyses trompeuses, car elle pr\u00e9serve les proportions naturelles de l’ensemble de donn\u00e9es tout en remplissant les valeurs manquantes. En tirant parti de cette m\u00e9thode, nous pouvons obtenir une repr\u00e9sentation plus \u00e9quilibr\u00e9e et plus pr\u00e9cise des donn\u00e9es sans gonfler ou fausser artificiellement les r\u00e9sultats.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

Avez-vous d\u00e9j\u00e0 \u00e9t\u00e9 confront\u00e9 \u00e0 des difficult\u00e9s pour attribuer correctement des mesures \u00e0 diff\u00e9rentes dimensions lors de l’analyse des indicateurs de performance cl\u00e9s ? Consid\u00e9rez le sc\u00e9nario suivant : vous disposez de deux tables distinctes. Le premier ventile les donn\u00e9es de transaction par pays et par sexe de l’utilisateur. Le second d\u00e9taille les ventes de […]<\/p>\n","protected":false},"author":35,"featured_media":17329,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"content-type":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[139],"tags":[],"class_list":["post-17260","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articles-fr"],"yoast_head":"\nR\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction "Fill in null value" de Datama - Datama<\/title>\n<meta name=\"description\" content=\"Corrigez les donn\u00e9es manquantes avec la fonction "Fill in null" de Datama. Assurez l'int\u00e9grit\u00e9 de vos analyses sans effort.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction "Fill in null value" de Datama - Datama\" \/>\n<meta property=\"og:description\" content=\"Corrigez les donn\u00e9es manquantes avec la fonction "Fill in null" de Datama. Assurez l'int\u00e9grit\u00e9 de vos analyses sans effort.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/\" \/>\n<meta property=\"og:site_name\" content=\"Datama\" \/>\n<meta property=\"article:published_time\" content=\"2025-05-14T12:10:59+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-01-29T18:42:10+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1\" \/>\n\t<meta property=\"og:image:height\" content=\"1\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Yanling Tao\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@datama_solution\" \/>\n<meta name=\"twitter:site\" content=\"@datama_solution\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Yanling Tao\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"11 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/\"},\"author\":{\"name\":\"Yanling Tao\",\"@id\":\"https:\/\/datama.io\/fr\/#\/schema\/person\/60aa92ba4844732850da2f08d6c04db2\"},\"headline\":\"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction \u00ab\u00a0Fill in null value\u00a0\u00bb de Datama\",\"datePublished\":\"2025-05-14T12:10:59+00:00\",\"dateModified\":\"2026-01-29T18:42:10+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/\"},\"wordCount\":1730,\"publisher\":{\"@id\":\"https:\/\/datama.io\/fr\/#organization\"},\"image\":{\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png\",\"articleSection\":[\"Articles\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/\",\"url\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/\",\"name\":\"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction \\\"Fill in null value\\\" de Datama - Datama\",\"isPartOf\":{\"@id\":\"https:\/\/datama.io\/fr\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png\",\"datePublished\":\"2025-05-14T12:10:59+00:00\",\"dateModified\":\"2026-01-29T18:42:10+00:00\",\"description\":\"Corrigez les donn\u00e9es manquantes avec la fonction \\\"Fill in null\\\" de Datama. Assurez l'int\u00e9grit\u00e9 de vos analyses sans effort.\",\"breadcrumb\":{\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#primaryimage\",\"url\":\"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png\",\"contentUrl\":\"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\/\/datama.io\/fr\/accueil\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction “Fill in null value” de Datama\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datama.io\/fr\/#website\",\"url\":\"https:\/\/datama.io\/fr\/\",\"name\":\"Datama\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/datama.io\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datama.io\/fr\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datama.io\/fr\/#organization\",\"name\":\"Datama\",\"url\":\"https:\/\/datama.io\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datama.io\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datama.io\/wp-content\/uploads\/2023\/12\/cropped-Logo-Datama.png\",\"contentUrl\":\"https:\/\/datama.io\/wp-content\/uploads\/2023\/12\/cropped-Logo-Datama.png\",\"width\":400,\"height\":100,\"caption\":\"Datama\"},\"image\":{\"@id\":\"https:\/\/datama.io\/fr\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/x.com\/datama_solution\",\"https:\/\/www.linkedin.com\/company\/datama\/\",\"https:\/\/www.youtube.com\/channel\/UCoxfesECCiubm0XLCXcN3TA\/featured\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datama.io\/fr\/#\/schema\/person\/60aa92ba4844732850da2f08d6c04db2\",\"name\":\"Yanling Tao\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction \"Fill in null value\" de Datama - Datama","description":"Corrigez les donn\u00e9es manquantes avec la fonction \"Fill in null\" de Datama. Assurez l'int\u00e9grit\u00e9 de vos analyses sans effort.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/","og_locale":"fr_FR","og_type":"article","og_title":"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction \"Fill in null value\" de Datama - Datama","og_description":"Corrigez les donn\u00e9es manquantes avec la fonction \"Fill in null\" de Datama. Assurez l'int\u00e9grit\u00e9 de vos analyses sans effort.","og_url":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/","og_site_name":"Datama","article_published_time":"2025-05-14T12:10:59+00:00","article_modified_time":"2026-01-29T18:42:10+00:00","og_image":[{"url":"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png","width":1,"height":1,"type":"image\/png"}],"author":"Yanling Tao","twitter_card":"summary_large_image","twitter_creator":"@datama_solution","twitter_site":"@datama_solution","twitter_misc":{"\u00c9crit par":"Yanling Tao","Dur\u00e9e de lecture estim\u00e9e":"11 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#article","isPartOf":{"@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/"},"author":{"name":"Yanling Tao","@id":"https:\/\/datama.io\/fr\/#\/schema\/person\/60aa92ba4844732850da2f08d6c04db2"},"headline":"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction \u00ab\u00a0Fill in null value\u00a0\u00bb de Datama","datePublished":"2025-05-14T12:10:59+00:00","dateModified":"2026-01-29T18:42:10+00:00","mainEntityOfPage":{"@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/"},"wordCount":1730,"publisher":{"@id":"https:\/\/datama.io\/fr\/#organization"},"image":{"@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#primaryimage"},"thumbnailUrl":"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png","articleSection":["Articles"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/","url":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/","name":"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction \"Fill in null value\" de Datama - Datama","isPartOf":{"@id":"https:\/\/datama.io\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#primaryimage"},"image":{"@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#primaryimage"},"thumbnailUrl":"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png","datePublished":"2025-05-14T12:10:59+00:00","dateModified":"2026-01-29T18:42:10+00:00","description":"Corrigez les donn\u00e9es manquantes avec la fonction \"Fill in null\" de Datama. Assurez l'int\u00e9grit\u00e9 de vos analyses sans effort.","breadcrumb":{"@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#primaryimage","url":"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png","contentUrl":"https:\/\/datama.io\/wp-content\/uploads\/2025\/05\/Article26-scaled.png"},{"@type":"BreadcrumbList","@id":"https:\/\/datama.io\/fr\/fixing-the-missing-values-issue-with-datama-fill-in-null-value-function\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/datama.io\/fr\/accueil\/"},{"@type":"ListItem","position":2,"name":"R\u00e9solution du probl\u00e8me des valeurs manquantes avec la fonction “Fill in null value” de Datama"}]},{"@type":"WebSite","@id":"https:\/\/datama.io\/fr\/#website","url":"https:\/\/datama.io\/fr\/","name":"Datama","description":"","publisher":{"@id":"https:\/\/datama.io\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datama.io\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/datama.io\/fr\/#organization","name":"Datama","url":"https:\/\/datama.io\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datama.io\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/datama.io\/wp-content\/uploads\/2023\/12\/cropped-Logo-Datama.png","contentUrl":"https:\/\/datama.io\/wp-content\/uploads\/2023\/12\/cropped-Logo-Datama.png","width":400,"height":100,"caption":"Datama"},"image":{"@id":"https:\/\/datama.io\/fr\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/x.com\/datama_solution","https:\/\/www.linkedin.com\/company\/datama\/","https:\/\/www.youtube.com\/channel\/UCoxfesECCiubm0XLCXcN3TA\/featured"]},{"@type":"Person","@id":"https:\/\/datama.io\/fr\/#\/schema\/person\/60aa92ba4844732850da2f08d6c04db2","name":"Yanling Tao"}]}},"_links":{"self":[{"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/posts\/17260","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/users\/35"}],"replies":[{"embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/comments?post=17260"}],"version-history":[{"count":20,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/posts\/17260\/revisions"}],"predecessor-version":[{"id":17327,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/posts\/17260\/revisions\/17327"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/media\/17329"}],"wp:attachment":[{"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/media?parent=17260"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/categories?post=17260"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/tags?post=17260"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}