Apa cara terbaik untuk mendekati himpunan data baru? Pelajari cara memvalidasi dan meringkas data kategorikal dan numerik serta membuat visualisasi Seaborn untuk mengomunikasikan temuan Anda.

Eksplorasi awal

Fungsi untuk eksplorasi awal

Menghitung nilai kategorikal

Pengangguran global pada 2021

Validasi data

Mendeteksi tipe data

Memvalidasi benua

Memvalidasi rentang

Ringkasan data

Ringkasan dengan .groupby() dan .agg()

Agregasi bernama

Memvisualisasikan ringkasan kategorikal

Mengenal Himpunan Data

Menjelajahi dan menganalisis data sering kali berarti berurusan dengan nilai hilang, tipe data yang salah, dan pencilan. Di bab ini, Anda akan mempelajari teknik untuk menangani isu-isu tersebut dan merapikan proses EDA Anda!

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

Apa yang harus dilakukan dengan pencilan

Mengidentifikasi pencilan

Menghapus pencilan

Pembersihan Data dan Imputasi

Variabel dalam himpunan data tidak berdiri sendiri; variabel-variabel tersebut saling terkait. Di bab ini, Anda akan meninjau keterkaitan antar data numerik, kategorikal, dan bahkan DateTime, mengeksplorasi arah dan kekuatan keterkaitan tersebut beserta cara memvisualisasikannya.

Pola seiring waktu

Mengimpor data DateTime

Memperbarui tipe data menjadi DateTime

Memvisualisasikan hubungan seiring waktu

Korelasi

Menafsirkan heatmap

Memvisualisasikan hubungan variabel

Memvisualisasikan hubungan banyak variabel

Relasi faktor dan distribusi

Data kategorikal dalam scatter plot

Mengeksplorasi dengan plot KDE

Keterkaitan dalam Data

Analisis data eksploratif adalah langkah penting dalam alur kerja data science, namun bukan akhir! Sekarang saatnya mempelajari teknik dan pertimbangan yang dapat Anda gunakan untuk melangkah maju dengan sukses setelah selesai mengeksplorasi!

Pertimbangan untuk data kategorikal

Memeriksa ketidakseimbangan kelas

Tabulasi silang

Membuat fitur baru

Mengekstrak fitur untuk korelasi

Menghitung persentil gaji

Mengategorikan gaji

Membangun hipotesis

Membandingkan gaji

Memilih sebuah hipotesis

Selamat

Mengubah Analisis Eksploratif menjadi Aksi

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

Pelajari cara mengeksplorasi, memvisualisasikan, dan mengekstrak wawasan dari data menggunakan exploratory data analysis (EDA) di Python.

Selamat

Create Your Free Account