Удаление пропусков_ревью

# код ревьюера для объяснения
print('Количество пропусков в tenure до заполнения:', df['tenure'].isna().sum())
print('Доля пропусков в tenure до заполнения:', df['tenure'].isna().mean())

# Создаем новый категориальный признак (0 или 1), что tenure содержит пропуск. Пусть модель
# при необходимости его использует
df['tenure_is_na'] = df['tenure'].isna().astype(int)

# заполняем пропуски в tenure медианой с группировкой по стране и возрасту клиента
# (в идеале лучше по возрастной группе с шагом лет в 10, пока пусть будет так) 
df['tenure'] = df['tenure'].fillna(
    df.groupby(['geography', 'age'])['tenure'].transform('median'))

print('Количество пропусков в tenure после заполнения:', df['tenure'].isna().sum())

# заполняем оставшиеся пропуски в tenure медианой с группировкой по стране
# (ведь в принципе могли быть возраста с одним человеком и пропуском в tenure)
df['tenure'] = df['tenure'].fillna(
    df.groupby('geography')['tenure'].transform('median'))

print('Количество пропусков в tenure после заполнения:', df['tenure'].isna().sum())