Seznám se s chybějícími daty a jejich dopadem na analýzu! Naučíš se pracovat s nulovými hodnotami v datové sadě, jak chybějící data najít a jak shrnout jejich výskyt.

Proč řešit chybějící data?

Kroky při ošetřování chybějících hodnot

Operace s hodnotami null

Hledání hodnot Null

Práce s chybějícími hodnotami

Detekce chybějících hodnot

Nahrazení chybějících hodnot

Nahrazování skrytých chybějících hodnot

Analýza míry chybějících dat

Analýza procenta chybějících hodnot

Vizualizace chybějících hodnot

Problém s chybějícími daty

Analýza typu chybějících dat je klíčovým krokem při jejich ošetření. V této kapitole se podrobně naučíš, jak odhalovat vzory v chybějících i přítomných datech a jak chybějící hodnoty vhodně ošetřit pomocí jednoduchých technik, jako je listwise deletion.

Chybí data náhodně?

Urči typ chybějících dat

Urči MNAR

Hledání vzorců v chybějících datech

Hledání korelací v datech

Urči typ chybějících hodnot

Vizualizace chybějících hodnot v závislosti na proměnné

Vytvoření zástupných hodnot

Vytvoření bodového grafu s chybějícími hodnotami

Kdy a jak mazat chybějící data

Odstranění MCAR

Smažeš je?

Mají chybějící data nějaký vzor?

Vydej se do světa imputace dat! V této kapitole použiješ základní imputační techniky k doplnění chybějících hodnot a výsledky vizualizuješ, abys mohl/a vyhodnotit jejich kvalitu.

Imputace průměrem, mediánem a modem

Imputace průměrem a mediánem

Imputace modem a konstantou

Vizualizace imputací

Imputace dat časových řad

Doplňování chybějících hodnot v časových řadách

Imputace pomocí metody interpolate

Vizualizace imputací časových řad

Vizualizace imputace metodou forward fill

Vizualizace imputace metodou backward fill

Vykreslení interpolací

Techniky imputace

Jdi za hranice jednoduchých imputačních technik a vytěž ze své datové sady maximum pomocí pokročilých metod opírajících se o modely strojového učení. Naučíš se přesně imputovat a vyhodnocovat chybějící data pomocí metod jako KNN a MICE!

Imputace pomocí fancyimpute

Imputace metodou KNN

Imputace metodou MICE

Imputace kategorických hodnot

Ordinální kódování kategorického sloupce

Ordinální kódování DataFrame

KNN imputace kategorických hodnot

Hodnocení různých imputačních technik

Analýza shrnutí lineárního modelu

Porovnání a výběr nejlepšího upraveného R-squared

Porovnání grafů hustoty

Závěr

Pokročilé techniky imputace

Air Quality

Diabetes

Máš dost práce s chaotickými daty? Věděl/a jsi, že datový vědec stráví většinu svého času hledáním, čištěním a reorganizací dat?! Naštěstí lze data čistit chytře! V tomto kurzu Dealing with Missing Data in Python se přesně to naučíš! Zjistíš, jak pracovat s chybějícími hodnotami v numerických i kategorických datech a v časových řadách. Naučíš se rozpoznávat vzory, které chybějící data vykazují! Při práci s daty o kvalitě ovzduší a diabetu se naučíš chybějící data analyzovat, imputovat a vyhodnocovat dopady imputace.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Naučte se řešit chybějící hodnoty pro numerická, kategorická a časová data a analyzovat jejich dopad.

Dealing with Missing Data in Python

Naučte se v Pythonu identifikovat, analyzovat, odstraňovat a imputovat chybějící data. 

Kdy a jak mazat chybějící data

Create Your Free Account