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.

Exploration initiale

Fonctions pour l'exploration initiale

Comptage des valeurs catégorielles

Le chômage mondial en 2021

Validation des données

Détection des types de données

Validation des continents

Validation de la plage

Synthèse des données

Résumés avec .groupby() et .agg()

Agrégations nommées

Visualisation de résumés catégoriels

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!

Considerations for categorical data

Checking for class imbalance

Cross-tabulation

Generating new features

Extracting features for correlation

Calculating salary percentiles

Categorizing salaries

Generating hypotheses

Comparing salaries

Choosing a hypothesis

Congratulations

Turning Exploratory Analysis into Action

unemployment.csv

data_science_salaries.csv

books.csv

divorce.csv

planes.csv

Course Glossary

Vous disposez donc de données intéressantes ; par où commencer votre analyse ? Ce cours couvre le processus d'exploration et d'analyse des données, de la compréhension de ce qui est inclus dans un ensemble de données à l'incorporation des résultats de l'exploration dans un flux de travail de science des données. 

À l'aide de données sur les chiffres du chômage et le prix des billets d'avion, vous tirerez parti de Python pour résumer et valider les données, calculer, identifier et remplacer les valeurs manquantes, et nettoyer les valeurs numériques et catégorielles. Tout au long du cours, vous créerez de superbes visualisations Seaborn pour comprendre les variables et leurs relations. 

Par exemple, vous examinerez le lien entre la consommation d'alcool et les performances des élèves. Enfin, le cours montrera comment les résultats exploratoires alimentent les flux de travail de la science des données en créant de nouvelles caractéristiques, en équilibrant les caractéristiques catégorielles et en générant des hypothèses à partir des résultats. 

À la fin de ce cours, vous aurez la confiance nécessaire pour effectuer votre propre analyse exploratoire des données (EDA) en Python.Vous serez en mesure d'expliquer vos résultats visuellement aux autres et de suggérer les prochaines étapes pour recueillir des informations à partir de vos données.

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Découvrez l'analyse exploratoire des données en Python avec ce cours de 4h. Nettoyez, explorez, visualisez.

Analyse de données exploratoires en Python

Apprenez à explorer, visualiser et extraire des informations des données à l'aide de l'analyse exploratoire des données (AED) en Python.

Associate Data Scientist  en Python

Analyste de données  en Python

Principes de base des données en Python

Détection des types de données

Exercice interactif pratique