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!

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

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

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 pratico interattivo