¿Cuál es la mejor manera de abordar un nuevo conjunto de datos? Aprende a validar y resumir datos categóricos y numéricos y a crear visualizaciones Seaborn para comunicar tus conclusiones.

Exploración inicial

Funciones para la exploración inicial

Contar valores categóricos

Desempleo mundial en 2021

Validación de datos

Detectar tipos de datos

Validar continentes

Rango de validación

Resumen de datos

Resúmenes con .groupby() y .agg()

Agregaciones con nombre

Visualizar resúmenes categóricos

Conocer un conjunto de datos

Explorar y analizar datos a menudo significa tratar con valores perdidos, tipos de datos incorrectos y valores atípicos. En este capítulo, aprenderás técnicas para gestionar estos problemas y agilizar tus procesos en EDA.

Tratar los datos que faltan

Estrategias para los datos que faltan

Imputar los precios de los aviones que faltan

Convertir y analizar datos categóricos

Encontrar el número de valores únicos

Categorías de duración de los vuelos

Añadir categorías de duración

Trabajar con datos numéricos

Duración del vuelo

Añadir estadísticas descriptivas

Gestión de valores atípicos

Opciones

Elimina los valores atípicos

Dejar los valores atípicos en el conjunto de datos

Qué hacer con los valores atípicos

Identificar valores atípicos

Eliminar valores atípicos

Limpieza e imputación de datos

Las variables de los conjuntos de datos tienen relaciones entre sí. En este capítulo, examinarás las relaciones entre datos numéricos, categóricos e incluso DateTime, explorando la dirección y la fuerza de estas relaciones, así como las formas de visualizarlas.

Patrones a lo largo del tiempo

Importar datos DateTime

Actualizar tipo de datos a DateTime

Visualizar las relaciones a lo largo del tiempo

Correlación

Interpretar un mapa de calor

Visualizar las relaciones entre variables

Visualizar las relaciones entre múltiples variables

Relaciones y distribuciones de los factores

Datos categóricos en gráficos de dispersión

Explorando con las parcelas KDE

Relaciones en los datos

El análisis exploratorio de datos es un paso crucial en el flujo de trabajo de la ciencia de datos, ¡pero no es el final! Ahora es el momento de aprender técnicas y consideraciones que puedes utilizar para avanzar con éxito en tus proyectos una vez que hayas terminado de explorar.

Consideraciones para datos categóricos

Comprobación del desequilibrio de clases

Tabulación cruzada

Generar nuevas funciones

Extraer características para la correlación

Cálculo de los percentiles salariales

Categorizar los salarios

Generar hipótesis

Comparar salarios

Elegir una hipótesis

¡Enhorabuena!

Convertir el análisis exploratorio en acción

unemployment.csv

data_science_salaries.csv

books.csv

divorce.csv

planes.csv

Así que tienes algunos datos interesantes, ¿por dónde empiezas tu análisis? Este curso cubrirá el proceso de exploración y análisis de datos, desde la comprensión de lo que se incluye en un conjunto de datos hasta la incorporación de los resultados de la exploración a un flujo de trabajo de ciencia de datos. 

Utilizando datos sobre cifras de desempleo y precios de billetes de avión, aprovecharás Python para resumir y validar datos, calcular, identificar y reemplazar valores perdidos, y limpiar valores numéricos y categóricos. A lo largo del curso, crearás hermosas visualizaciones Seaborn para comprender las variables y sus relaciones. 

Por ejemplo, examinarás cómo se relacionan el consumo de alcohol y el rendimiento de los alumnos. Por último, el curso mostrará cómo los hallazgos exploratorios alimentan los flujos de trabajo de la ciencia de datos creando nuevas características, equilibrando características categóricas y generando hipótesis a partir de los hallazgos. 

Al final de este curso, tendrás la confianza necesaria para realizar tu propio análisis exploratorio de datos (EDA) en Python. ¡Serás capaz de explicar tus conclusiones visualmente a los demás y sugerir los siguientes pasos para recopilar información a partir de tus datos!

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Aprende sobre análisis exploratorio de datos en Python con este curso de cuatro horas. Usa datos reales.

Análisis exploratorio de datos en Python

Aprende a explorar, visualizar y extraer información de datos usando análisis exploratorio (EDA) en Python.

Científico de datos asociado  en Python

Analista de datos  en Python

Fundamentos de Datos en Python

Un sensor de temperatura tiene un registro de 100 grados Celsius, pero el sensor solo funciona correctamente a temperaturas de hasta 80 grados.

Un participante en un estudio tiene una edad de -35 años.

La velocidad de un coche se registra como 5000 km/h.

Los países tienen una superficie total media de 667.143 km2, pero un país tiene 1.637.687 km2.

Se registran las alturas de distintos animales y uno de ellos es más de 1,5 veces la IQR más el percentil 75.

Un jugador de baloncesto hace una media de 35 puntos por partido cuando la media en toda la liga es de solo 10 puntos por partido.

Qué hacer con los valores atípicos

Análisis exploratorio de datos en Python

Ejercicio interactivo práctico