Mach dich mit fehlenden Daten vertraut und erfahre, wie sie deine Analyse beeinflussen! Lerne verschiedene Operationen mit Nullwerten in deinem Datensatz kennen, wie du fehlende Daten findest und die Fehlwertigkeit in deinen Daten zusammenfasst.

Warum sich mit fehlenden Daten beschäftigen?

Schritte zur Behandlung fehlender Werte

Operationen mit Nullwerten

Null-Werte finden

Fehlende Werte behandeln

Fehlende Werte erkennen

Fehlende Werte ersetzen

Versteckte fehlende Werte ersetzen

Analysiere das Ausmaß der fehlenden Werte

Analyse des Missingness-Prozentsatzes

Fehlwerte visualisieren

Das Problem mit fehlenden Daten

Die Analyse der Art der Fehlwertigkeit in deinem Datensatz ist ein wichtiger Schritt, um fehlende Werte richtig zu behandeln. In diesem Kapitel lernst du im Detail, wie du Muster in vorhandenen und fehlenden Daten erkennst und die Fehlwertigkeit mit einfachen Techniken wie der Listenweglassung angemessen behandelst.

Fehlen die Daten zufällig?

Errate den Missingness-Typ

MNAR herleiten

Muster in fehlenden Daten finden

Korrelationen in deinen Daten finden

Art der Missingness bestimmen

Fehlwerte über eine Variable visualisieren

Dummy-Werte auffüllen

Streudiagramm mit Missingness erzeugen

Wann und wie fehlende Daten löschen

MCAR löschen

Wirst du löschen?

Hat Fehlwertigkeit ein Muster?

Tauche ein in die Welt der Datenimputation! In diesem Kapitel wendest du grundlegende Imputationstechniken an, um fehlende Daten zu füllen, und visualisierst deine Imputationen, damit du ihre Performance beurteilen kannst.

Imputationen mit Mittelwert, Median und Modus

Imputation mit Mittelwert & Median

Modus- und Konstanten-Imputation

Imputationen visualisieren

Zeitreihendaten imputieren

Fehlende Zeitreihendaten füllen

Mit der Methode interpolate imputieren

Zeitreihen-Imputationen visualisieren

Visualisiere Forward-Fill-Imputation

Backward-Fill-Imputation visualisieren

Interpolationen plotten

Imputationstechniken

Zum Schluss gehst du über einfache Imputationstechniken hinaus und holst mit fortgeschrittenen, auf Machine-Learning-Modellen basierenden Verfahren das Beste aus deinem Datensatz heraus, um fehlende Daten präzise zu imputieren und zu evaluieren. Du nutzt Methoden wie KNN und MICE, um möglichst viel aus deinen fehlenden Daten herauszuholen.

Imputieren mit fancyimpute

KNN-Imputation

MICE-Imputation

Kategorische Werte imputieren

Ordinale Kodierung einer kategorialen Spalte

Ordinale Kodierung eines DataFrames

KNN-Imputation für kategoriale Werte

Bewertung verschiedener Imputationsverfahren

Analysiere die Zusammenfassung des linearen Modells

Vergleichen und das beste adjustierte R-Quadrat wählen

Dichte-Diagramme vergleichen

Fazit

Fortgeschrittene Imputationstechniken

Air Quality

Diabetes

Genug von chaotischen Daten? Wusstest du, dass ein Großteil der Zeit von Data Scientists darauf verwendet wird, Daten zu finden, zu bereinigen und neu zu strukturieren? Es gibt clevere Wege, deine Daten zu bereinigen! In diesem Kurs „Umgang mit fehlenden Daten in Python“ machst du genau das. Du lernst, fehlende Werte in numerischen und kategorialen Daten sowie in Zeitreihendaten zu behandeln. Außerdem erkennst du die Muster, die fehlende Daten zeigen. Anhand von Luftqualitäts- und Diabetesdaten lernst du zudem, fehlende Werte zu analysieren, zu imputieren und die Auswirkungen der Imputation zu bewerten.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Lerne, fehlende Werte für numerische, kategoriale und Zeitreihendaten zu behandeln und zu bewerten.

Umgang mit fehlenden Daten in Python

Lerne, fehlende Daten in Python zu erkennen, zu analysieren, zu entfernen und zu imputieren. 

Warum sich mit fehlenden Daten beschäftigen?

Create Your Free Account