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. 

Ontbreekt de data willekeurig?

Raad het type missingness

Leid MNAR af

Patronen vinden in ontbrekende data

Correlaties in je data vinden

Bepaal het type missingness

Ontbrekende waarden visualiseren over een variabele

Vul dummywaarden

Maak een spreidingsplot met ontbrekende waarden

Wanneer en hoe ontbrekende data te verwijderen

MCAR verwijderen

Ga je verwijderen?

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! 

Imputing using fancyimpute

KNN imputation

MICE imputation

Imputing categorical values

Ordinal encoding of a categorical column

Ordinal encoding of a DataFrame

KNN imputation of categorical values

Evaluation of different imputation techniques

Analyze the summary of linear model

Comparing and choosing the best adjusted R-squared

Comparing density plots

Conclusion

Advanced Imputation Techniques

Diabetes

Air Quality

Ben je het zat om met rommelige data te werken? Wist je dat een data scientist het grootste deel van z'n tijd besteedt aan het zoeken, opschonen en herorganiseren van data? Goed nieuws: je kunt je data ook slim opschonen! In deze cursus Omgaan met ontbrekende gegevens in Python ga je precies dat doen. Je leert hoe je ontbrekende waarden aanpakt voor numerieke en categorische data én voor tijdreeksdata. Je leert de patronen in ontbrekende data herkennen. Terwijl je werkt met data over luchtkwaliteit en diabetes, leer je ook analyseren, imputeren en de effecten van imputatie evalueren.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Leer ontbrekende waarden voor numerieke, categorische en tijdreeksgegevens aan te pakken en te evalueren.

Omgaan met ontbrekende gegevens in Python

Leer hoe je ontbrekende gegevens in Python kunt vinden, analyseren, verwijderen en invullen. 

Bepaal het type missingness

Omgaan met ontbrekende gegevens in Python

Praktische interactieve oefening