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!

Menangani data hilang

Strategi untuk data hilang yang tersisa

Melakukan imputasi harga tiket pesawat yang hilang

Mengonversi dan menganalisis data kategorikal

Menemukan jumlah nilai unik

Kategori durasi penerbangan

Menambahkan kategori durasi

Bekerja dengan data numerik

Durasi penerbangan

Menambahkan statistik deskriptif

Menangani pencilan

Opsi

Hapus pencilan

Biarkan pencilan dalam himpunan data

Apa yang harus dilakukan dengan pencilan

Mengidentifikasi pencilan

Menghapus pencilan

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

Anda memiliki data yang menarik—dari mana sebaiknya memulai analisis? Kursus ini membahas proses mengeksplorasi dan menganalisis data, mulai dari memahami isi himpunan data hingga memasukkan temuan eksplorasi ke dalam alur kerja data science. 

Dengan data tentang angka pengangguran dan harga tiket pesawat, Anda akan memanfaatkan Python untuk meringkas dan memvalidasi data, menghitung, mengidentifikasi dan mengganti nilai hilang, serta membersihkan nilai numerik dan kategorikal. Sepanjang kursus, Anda akan membuat visualisasi Seaborn yang menarik untuk memahami variabel dan keterkaitannya. 

Terakhir, kursus ini menunjukkan bagaimana temuan eksploratif mengalir ke alur kerja data science dengan membuat fitur baru, menyeimbangkan fitur kategorikal, dan menghasilkan hipotesis dari temuan. 

Di akhir kursus, Anda akan percaya diri melakukan exploratory data analysis (EDA) Anda sendiri di Python. Anda akan mampu menjelaskan temuan secara visual kepada orang lain dan menyarankan langkah selanjutnya untuk menggali wawasan dari data Anda!

Video dilengkapi transkrip langsung yang dapat Anda tampilkan dengan mengeklik "Show transcript" di kiri bawah video.									
Glosarium kursus dapat ditemukan di sebelah kanan pada bagian sumber daya.
									
Untuk memperoleh kredit CPE, Anda perlu menyelesaikan kursus dan mencapai skor 70% pada penilaian yang memenuhi syarat. Anda dapat menuju penilaian dengan mengeklik sorotan kredit CPE di sebelah kanan.

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Pelajari analisis data eksploratif di Python dengan kursus 4 jam. Gunakan data nyata untuk analisis.

Analisis Data Eksploratif di Python

Associate Data Scientist  dalam Python

Analis Data  dalam Python

Dasar-Dasar Data Python

Sebuah sensor suhu merekam 100 derajat Celsius, tetapi sensor hanya berfungsi dengan benar pada suhu hingga 80 derajat.

Seorang partisipan dalam sebuah studi memiliki usia minus 35 tahun.

Kecepatan sebuah mobil tercatat 5.000 km/jam.

Negara-negara memiliki rata-rata luas total 667.143 km persegi, tetapi satu negara tercatat 1.637.687 km persegi.

Tinggi berbagai hewan dicatat dan salah satunya lebih dari 1,5 kali IQR ditambah persentil ke-75.

Seorang pemain basket mencetak rata-rata 35 poin per pertandingan, sementara rata-rata liga hanya 10 poin per pertandingan.

Apa yang harus dilakukan dengan pencilan

Analisis Data Eksploratif di Python

Latihan interaktif praktis