Qual è il modo migliore per approcciare un nuovo insieme di dati? Impara a convalidare e riassumere dati categoriali e numerici e a creare visualizzazioni con Seaborn per comunicare le tue scoperte.

Esplorazione iniziale

Funzioni per l'esplorazione iniziale

Contare i valori categorici

Disoccupazione globale nel 2021

Validazione dei dati

Rilevare i tipi di dati

Convalida dei continenti

Convalida dell'intervallo

Riepilogo dei dati

Riepiloghi con .groupby() e .agg()

Aggregazioni denominate

Visualizzare riepiloghi categorici

Conoscere un insieme di dati

Esplorare e analizzare i dati spesso significa affrontare valori mancanti, tipi di dato errati e outlier. In questo capitolo imparerai tecniche per gestire questi problemi e rendere più snelli i tuoi processi di EDA!

Gestire i dati mancanti

Gestire i valori mancanti

Strategie per i valori mancanti rimanenti

Imputazione dei prezzi mancanti dei voli

Conversione e analisi dei dati categorici

Trovare il numero di valori unici

Categorie di durata del volo

Aggiungere categorie di durata

Lavorare con i dati numerici

Durata del volo

Aggiungere statistiche descrittive

Gestire i valori anomali

Opzioni

Rimuovi outlier

Lascia gli outlier nell’insieme di dati

Cosa fare con gli outlier

Identificare i valori anomali

Rimozione degli outlier

Pulizia dei dati e imputazione

Le variabili negli insiemi di dati non esistono nel vuoto: hanno relazioni tra loro. In questo capitolo esaminerai le relazioni tra dati numerici, categoriali e persino DateTime, esplorando direzione e intensità di queste relazioni e i modi per visualizzarle.

Andamenti nel tempo

Importare dati DateTime

Aggiornare il tipo di dato a DateTime

Visualizzare le relazioni nel tempo

Correlazione

Interpretare una heatmap

Visualizzare le relazioni tra variabili

Visualizzare le relazioni tra più variabili

Relazioni tra fattori e distribuzioni

Dati categorici negli scatter plot

Esplorare con i grafici KDE

Relazioni nei dati

L’analisi esplorativa dei dati è una fase cruciale del flusso di lavoro di data science, ma non è la fine! Ora è il momento di imparare tecniche e considerazioni per proseguire con successo nei tuoi progetti dopo aver terminato l’esplorazione!

Considerazioni sui dati categorici

Verificare lo squilibrio tra classi

Tabella a doppia entrata

Creare nuove feature

Estrazione di feature per la correlazione

Calcolare i percentili degli stipendi

Categorizzare gli stipendi

Generare ipotesi

Confrontare gli stipendi

Scegliere un'ipotesi

Congratulazioni

Dall’analisi esplorativa all’azione

unemployment.csv

data_science_salaries.csv

books.csv

divorce.csv

planes.csv

Course Glossary

Hai tra le mani dei dati interessanti: da dove inizi l’analisi? Questo corso ti guiderà nel processo di esplorazione e analisi dei dati, da cosa contiene un insieme di dati fino a come integrare le scoperte dell’esplorazione nel flusso di lavoro di data science. 

Usando dati su tassi di disoccupazione e prezzi dei biglietti aerei, userai Python per riassumere e convalidare i dati, calcolare, identificare e sostituire i valori mancanti e pulire valori sia numerici sia categoriali. Durante il corso, creerai splendide visualizzazioni con Seaborn per comprendere le variabili e le loro relazioni. 

Infine, il corso mostrerà come i risultati dell’esplorazione alimentano i flussi di lavoro di data science creando nuove feature, bilanciando le feature categoriali e generando ipotesi a partire dalle evidenze. 

Alla fine del corso, avrai la sicurezza per svolgere in autonomia la tua Exploratory Data Analysis (EDA) in Python. Saprai spiegare visivamente le tue scoperte agli altri e proporre i prossimi passi per ottenere insight dai tuoi dati!

I video includono trascrizioni in tempo reale che puoi visualizzare facendo clic su "Show transcript" in basso a sinistra nei video.									
Il glossario del corso è disponibile a destra nella sezione delle risorse.
									
Per ottenere i crediti CPE devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi accedere alla valutazione facendo clic sulla chiamata all’azione dei crediti CPE sulla destra.

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Scopri l'analisi esplorativa dei dati in Python con questo corso di quattro ore. Usa dati reali.

Analisi esplorativa dei dati in Python

Scopri come esplorare, visualizzare ed estrarre informazioni dai dati usando l'analisi esplorativa dei dati (EDA) in Python.

Scienziato dei dati associato  in Python

Analista dati  in Python

Fondamenti di dati in Python

Un sensore di temperatura registra 100 gradi Celsius, ma il sensore funziona correttamente solo fino a 80 gradi.

Un partecipante a uno studio ha un’età di meno 35 anni.

La velocità di un’auto è registrata come 5.000 km/h.

I Paesi hanno un’area totale media di 667.143 km², ma un Paese è registrato come 1.637.687 km².

Sono registrate le altezze di diversi animali e una supera 1,5 volte l’IQR più il 75º percentile.

Un giocatore di basket ha una media di 35 punti a partita, mentre la media della lega è di soli 10 punti a partita.

Cosa fare con gli outlier

Analisi esplorativa dei dati in Python

esercizio interattivo pratico