What's the best way to approach a new dataset? Learn to validate and summarize categorical and numerical data and create Seaborn visualizations to communicate your findings.

Initial exploration

Functions for initial exploration

Counting categorical values

Global unemployment in 2021

Data validation

Detecting data types

Validating continents

Validating range

Data summarization

Summaries with .groupby() and .agg()

Named aggregations

Visualizing categorical summaries

Getting to Know a Dataset

Exploring and analyzing data often means dealing with missing values, incorrect data types, and outliers. In this chapter, you’ll learn techniques to handle these issues and streamline your EDA processes!

Addressing missing data

Dealing with missing data

Strategies for remaining missing data

Imputing missing plane prices

Converting and analyzing categorical data

Finding the number of unique values

Flight duration categories

Adding duration categories

Working with numeric data

Flight duration

Adding descriptive statistics

Handling outliers

What to do with outliers

Identifying outliers

Removing outliers

Data Cleaning and Imputation

Variables in datasets don't exist in a vacuum; they have relationships with each other. In this chapter, you'll look at relationships across numerical, categorical, and even DateTime data, exploring the direction and strength of these relationships as well as ways to visualize them.

Patterns over time

Importing DateTime data

Updating data type to DateTime

Visualizing relationships over time

Correlation

Interpreting a heatmap

Visualizing variable relationships

Visualizing multiple variable relationships

Factor relationships and distributions

Categorical data in scatter plots

Exploring with KDE plots

Relationships in Data

Exploratory data analysis is a crucial step in the data science workflow, but it isn't the end! Now it's time to learn techniques and considerations you can use to successfully move forward with your projects after you've finished exploring!

Überlegungen für kategoriale Daten

Prüfung auf Unausgewogenheit von Klassen

Kreuztabellen

Erzeugung neuer Merkmale

Extraktion von Merkmalen für die Korrelation

Berechnung der Gehaltsperzentile

Kategorisierung von Gehältern

Aufstellung von Hypothesen

Vergleich von Gehältern

Auswahl einer Hypothese

Glückwunsch!

Turning Exploratory Analysis into Action

unemployment.csv

data_science_salaries.csv

books.csv

divorce.csv

planes.csv

Course Glossary

Du hast einige interessante Daten vorliegen – doch wo fängst du mit deiner Analyse an? In diesem Kurs geht es darum, Datensätze zu erkunden und auszuwerten. Dies beginnt mit dem Verständnis der Inhalte eines Datensatzes und erstreckt sich bis hin zum Einbinden der gewonnenen Erkenntnisse in Data-Science-Arbeitsabläufe. 

Anhand von Daten zu Arbeitslosenzahlen und Flugticketpreisen nutzt du Python, um Daten zusammenzufassen und zu validieren, um fehlende Werte zu identifizieren, zu berechnen und zu ersetzen sowie um numerische und kategoriale Werte zu bereinigen. Im Laufe des Kurses erstellst du ansprechende Seaborn-Visualisierungen, um Variablen und ihre Beziehungen zu verstehen. 

Du untersuchst zum Beispiel, wie Alkoholkonsum und die Leistungsfähigkeit von Studierenden zusammenhängen. Schließlich zeigt der Kurs, wie explorative Erkenntnisse in Data-Science-Arbeitsabläufe einfließen, indem neue Merkmale erstellt, kategoriale Merkmale abgeglichen und Hypothesen aus den Erkenntnissen abgeleitet werden. 

Nach Abschluss dieses Kurses bist du sicher genug, um deine eigene explorative Datenanalyse (EDA) in Python durchzuführen. Du wirst in der Lage sein, deine Ergebnisse anderen visuell zu erklären und die nächsten Schritte für die Erkenntnisgewinnung aus deinen Daten vorzuschlagen.

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Lerne explorative Datenanalyse in Python mit diesem vierstündigen Kurs. Nutze echte Daten zur Analyse.

Explorative Datenanalyse in Python

Lerne, wie du mit der explorativen Datenanalyse (EDA) in Python Daten untersuchen, visualisieren und in Erkenntnisse transformieren kannst.

Associate Data Scientist  in Python

Datenanalyst  in Python

Python Daten Grundlagen

Kreuztabellen

Interaktive praktische Übung