Contraintes relatives à la plage de données

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Cet exercice fait partie du cours

Nettoyage des données dans Python

IntermédiaireNiveau de compétence

4.8+

Dans ce chapitre, vous apprendrez comment surmonter certains des problèmes les plus courants liés aux données erronées. Vous convertirez les types de données, appliquerez des contraintes de plage pour supprimer les points de données futurs et supprimerez les points de données en double afin d'éviter les doubles comptages.

Exercise 1: Contraintes relatives aux types de données Exercise 2: Types de données courants Exercise 3: Données numériques ou ... ?Exercise 4: Additionner des chaînes de caractères et concaténer des nombres Exercise 5: Contraintes relatives à la plage de données

Exercice en cours

Exercise 6: Restrictions relatives à la taille des pneus Exercise 7: Retour vers le futur Exercise 8: Contraintes d'unicité Exercise 9: Quelle est la taille de votre sous-ensemble ?Exercise 10: Recherche de doublons Exercise 11: Traitement des doublons

Les données catégorielles et textuelles peuvent souvent constituer les parties les plus complexes d'un ensemble de données en raison de leur nature non structurée. Dans ce chapitre, vous apprendrez à corriger les incohérences dans les espaces et la capitalisation des libellés de catégories, à regrouper plusieurs catégories en une seule et à reformater les chaînes de caractères pour plus de cohérence.

Exercise 1: Conditions d'adhésion Exercise 2: Réservé aux membres Exercise 3: Trouver une cohérence Exercise 4: Variables catégorielles Exercise 5: Catégories d'erreurs Exercise 6: Catégories incohérentes Exercise 7: Réorganisation des catégories Exercise 8: Nettoyage des données textuelles Exercise 9: Supprimer les titres et les noms Exercise 10: Rester descriptif

Dans ce chapitre, vous aborderez des problèmes plus avancés liés au nettoyage des données, tels que la vérification que tous les poids sont exprimés en kilogrammes et non en livres. Vous acquerrez également des compétences inestimables qui vous aideront à vérifier que les valeurs ont été ajoutées correctement et que les valeurs manquantes n'ont pas d'impact négatif sur vos analyses.

Exercise 1: Uniformité Exercise 2: Dates imprécises Exercise 3: Monnaies uniformes Exercise 4: Dates uniformes Exercise 5: Validation interdomaines Exercise 6: Champ croisé ou pas ?Exercise 7: Quelle est la qualité de nos données ?Exercise 8: Exhaustivité Exercise 9: Ceci est-il manquant par hasard ?Exercise 10: Investisseurs manquants Exercise 11: Suivez l'argent

Le couplage d'enregistrements est une technique efficace permettant de fusionner plusieurs ensembles de données, notamment lorsque les valeurs contiennent des fautes de frappe ou des orthographes différentes. Dans ce chapitre, vous apprendrez à relier des enregistrements en calculant la similitude entre des chaînes de caractères. Vous utiliserez ensuite vos nouvelles compétences pour fusionner deux ensembles de données d'avis sur des restaurants en un seul ensemble de données maître propre.

Exercise 1: Comparaison de chaînes Exercise 2: Distance minimale de modification Exercise 3: Le point de rupture Exercise 4: Remapper les catégories II Exercise 5: Génération de paires Exercise 6: Faut-il créer un lien ou non ?Exercise 7: Paires de restaurants Exercise 8: Restaurants similaires Exercise 9: Liaison de DataFrames Exercise 10: Choisir le bon indice Exercise 11: Les relier entre eux !Exercise 12: Félicitations !