Identificación de valores faltantes

Dado el siguiente conjunto de datos, escribe un script en Python que no solo identifique los valores faltantes (NaN o None) en un DataFrame, sino que también realice un análisis más profundo de la distribución y el impacto de estos valores faltantes.

Datos:

data = {
    'Nombre': ['Ana', 'Luis', 'Carlos', None, 'Marta', 'Elena', None, 'Jorge', 'Sonia', 'Pablo'],
    'Edad': [23, None, 34, 25, None, 45, 29, None, 22, 30],
    'Ciudad': ['Madrid', 'Barcelona', None, 'Sevilla', 'Valencia', 'Bilbao', None, 'Madrid', 'Sevilla', 'Bilbao'],
    'Ingreso': [30000, 50000, None, 45000, None, 52000, 48000, None, 35000, 49000],
    'Estado_Civil': [None, 'Soltero', 'Casado', None, 'Casado', 'Soltero', None, 'Casado', 'Soltero', 'Casado']
}

Tareas:

1.- Importa las bibliotecas necesarias.

2.- Crea un DataFrame con los datos anteriores.

3.- Identificación de valores faltantes:

• Identifica los valores faltantes.
• Cuenta la cantidad de valores faltantes por columna.

4.- Análisis de la distribución de valores faltantes:

• Calcula el porcentaje de valores faltantes en relación con el total de datos en cada columna.
• Imprime el porcentaje de valores faltantes por columna.

5.- Visualización de valores faltantes:

• Crea un mapa de calor (heatmap) que muestre visualmente los valores faltantes en el DataFrame.

6.- Interpretación de la cantidad de valores faltantes:

• Identifica y cuenta la cantidad de filas que contienen valores faltantes en una o más columnas.
• Imprime el número total de filas con valores faltantes.

7.- Análisis de valores faltantes por grupo:

• Agrupa los datos por la columna 'Ciudad' y calcula el número de valores faltantes en cada grupo.
• Imprime el resultado para cada grupo.