Get familiar with missing data and how it impacts your analysis! Learn about different null value operations in your dataset, how to find missing data and summarizing missingness in your data. 

Why deal with missing data?

Steps for treating missing values

Null value operations

Finding Null values

Handling missing values

Detecting missing values

Replacing missing values

Replacing hidden missing values

Analyze the amount of missingness

Analyzing missingness percentage

Visualize missingness

The Problem With Missing Data

Analyzing the type of missingness in your dataset is a very important step towards treating missing values. In this chapter, you'll learn in detail how to establish patterns in your missing and non-missing data, and how to appropriately treat the missingness using simple techniques such as listwise deletion. 

Is the data missing at random?

Guess the missingness type

Deduce MNAR

Finding patterns in missing data

Finding correlations in your data

Identify the missingness type

Visualizing missingness across a variable

Fill dummy values

Generate scatter plot with missingness

When and how to delete missing data

Delete MCAR

Will you delete?

Does Missingness Have A Pattern?

Embark on the world of data imputation! In this chapter, you will apply basic imputation techniques to fill in missing data and visualize your imputations to be able to evaluate your imputations' performance. 

Mean, median & mode imputations

Mean & median imputation

Mode and constant imputation

Visualize imputations

Imputing time-series data

Filling missing time-series data

Impute with interpolate method

Visualizing time-series imputations

Visualize forward fill imputation

Visualize backward fill imputation

Plot interpolations

Imputation Techniques

Finally, go beyond simple imputation techniques and make the most of your dataset by using advanced imputation techniques that rely on machine learning models, to be able to accurately impute and evaluate your missing data. You will be using methods such as KNN and MICE in order to get the most out of your missing data! 

Imputazione con fancyimpute

Imputazione con KNN

Imputazione con MICE

Imputazione di valori categorici

Codifica ordinale di una colonna categorica

Ordinal encoding di un DataFrame

Imputazione KNN di valori categorici

Valutazione di diverse tecniche di imputazione

Analizza il riepilogo del modello lineare

Confrontare e scegliere il miglior R-quadrato corretto

Confronto di grafici di densità

Conclusione

Advanced Imputation Techniques

Diabetes

Air Quality

Stanco di lavorare con dati disordinati? Sapevi che gran parte del tempo di un data scientist è dedicato a trovare, pulire e riorganizzare i dati? La buona notizia è che puoi pulirli in modo intelligente! In questo corso, Gestire i dati mancanti in Python, farai proprio questo! Imparerai a gestire i valori mancanti per dati numerici, categorici e per serie temporali. Imparerai anche a riconoscere i pattern con cui si presentano i dati mancanti! Lavorando con dati sulla qualità dell’aria e sul diabete, imparerai inoltre ad analizzare, imputare e valutare gli effetti dell’imputazione dei dati.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Impara a gestire valori mancanti per dati numerici, categorici e temporali, analizzare e valutare l'imputazione.

Valutazione di diverse tecniche di imputazione

Create Your Free Account