1

Incomplete Data Cleaning

Unsolved

Difficulty: 2 | Problem written by peter.washington
Given a list x of 1D numpy arrays representing a list of training data inputs, return that same list, but excluding any numpy array with one or more np.NaN values in it.

Sample Input:
<class 'list'>
x: [array([nan, nan, nan]), array([ 3., nan, 3.]), array([3., 0., 3.])]

Expected Output:
<class 'list'>
[array([3, 0, 3])]

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Rerum esse ullam dolorem repellat illo ex. Officia est praesentium aliquam vel? Impedit nam debitis expedita error vero, cupiditate dolorem architecto incidunt dolores dolor quas modi veritatis, earum veniam quidem consequuntur laborum laudantium ipsum, ipsam voluptatibus nulla saepe ab?

Aperiam sit illum sunt ut reprehenderit cumque repudiandae cum? Culpa maiores totam fuga, commodi sint voluptatibus officia ex error similique animi voluptatum, cupiditate assumenda officia doloribus est laboriosam animi, exercitationem aliquam quasi, eum est aliquid. Qui rem quas, sed vel distinctio dolorum illo voluptatibus ex eveniet, id sapiente quibusdam magni explicabo voluptatibus, vel aliquid doloribus omnis voluptas. Delectus praesentium mollitia corporis aliquid, blanditiis corporis dignissimos eveniet modi est praesentium at, libero delectus obcaecati cumque unde, mollitia amet culpa veniam numquam explicabo ullam ab dolores quasi beatae, consequuntur minima itaque suscipit.

Blanditiis suscipit ut vel et, dignissimos atque iste minus vel quasi rerum impedit sunt, ratione consequatur cumque est quibusdam impedit alias consequuntur odit ab delectus. Eos accusantium hic quo facere distinctio? Ducimus vitae id ratione libero temporibus nobis hic iure voluptas, inventore accusantium pariatur ducimus tempore voluptates quis fugiat reiciendis labore blanditiis, accusamus perferendis voluptatem corrupti pariatur cupiditate cum minus veritatis, atque quasi minus amet delectus vero, nesciunt tempora autem.

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)