Wat is de beste aanpak voor een nieuwe gegevensset? Leer categorische en numerieke data te valideren en samen te vatten en maak Seaborn-visualisaties om je bevindingen te communiceren.

Eerste verkenning

Functies voor eerste verkenning

Categorische waarden tellen

Wereldwijde werkloosheid in 2021

Gegevensvalidatie

Gegevenstypen detecteren

Continenten valideren

Bereik valideren

Gegevens samenvatten

Samenvattingen met .groupby() en .agg()

Benoemde aggregaties

Categorische samenvattingen visualiseren

Een gegevensset leren kennen

Data verkennen en analyseren betekent vaak omgaan met ontbrekende waarden, onjuiste datatypes en uitschieters. In dit hoofdstuk leer je technieken om deze problemen aan te pakken en je EDA-processen te stroomlijnen!

Ontbrekende data aanpakken

Omgaan met ontbrekende data

Strategieën voor resterende missende data

Missende vliegticketprijzen imputeren

Categorische gegevens omzetten en analyseren

Het aantal unieke waarden vinden

Categorieën voor vluchtduur

Categorieën voor duur toevoegen

Werken met numerieke gegevens

Vluchtduur

Beschrijvende statistieken toevoegen

Uitschieters verwerken

Wat te doen met uitschieters

Uitschieters identificeren

Uitschieters verwijderen

Opschonen en imputeren van data

Variabelen in gegevenssets staan niet op zichzelf; ze hebben onderlinge relaties. In dit hoofdstuk bekijk je relaties tussen numerieke, categorische en zelfs DateTime-data. Je onderzoekt de richting en sterkte van deze relaties en manieren om ze te visualiseren.

Patronen in de tijd

DateTime-gegevens importeren

Gegevenstype bijwerken naar DateTime

Relaties in de tijd visualiseren

Correlatie

Een heatmap interpreteren

Relaties tussen variabelen visualiseren

Meerdere variablerelaties visualiseren

Factorrelaties en verdelingen

Categorische gegevens in spreidingsdiagrammen

Verkennen met KDE-plots

Relaties in data

Exploratory data analysis is een cruciale stap in de data science-workflow, maar het is niet het eindpunt! Nu is het tijd om technieken en aandachtspunten te leren waarmee je je projecten succesvol voortzet nadat je klaar bent met verkennen!

Aandachtspunten voor categorische gegevens

Controleren op klassenonevenwicht

Kruistabel

Nieuwe features genereren

Features extraheren voor correlatie

Salarispercentielen berekenen

Salarissen categoriseren

Hypotheses genereren

Salarissen vergelijken

Een hypothese kiezen

Gefeliciteerd

Van verkennende analyse naar actie

unemployment.csv

data_science_salaries.csv

books.csv

divorce.csv

planes.csv

Course Glossary

Je hebt een interessante gegevensset — waar begin je met je analyse? In deze cursus doorloop je het proces van het verkennen en analyseren van data: van begrijpen wat er in een gegevensset zit tot het opnemen van je bevindingen in een data science-workflow. 

Met data over werkloosheidscijfers en vliegticketprijzen gebruik je Python om data samen te vatten en te valideren, ontbrekende waarden te berekenen, identificeren en vervangen, en zowel numerieke als categorische waarden op te schonen. Door de hele cursus maak je fraaie Seaborn-visualisaties om variabelen en hun onderlinge relaties te begrijpen. 

Tot slot zie je hoe verkennende bevindingen input geven aan data science-workflows door nieuwe features te maken, categorische features in balans te brengen en hypotheses uit je bevindingen af te leiden. 

Aan het einde van deze cursus kun je met vertrouwen je eigen exploratory data analysis (EDA) in Python uitvoeren. Je kunt je bevindingen visueel uitleggen aan anderen en de volgende stappen voorstellen om inzichten uit je data te halen!

De video's bevatten live-transcripts die je kunt openen door linksonder in de video op "Show transcript" te klikken.									
De woordenlijst van de cursus vind je rechts in de sectie met bronnen.
									
Om CPE-credits te verkrijgen, moet je de cursus afronden en een score van 70% halen op de gekwalificeerde toets. Je navigeert naar de toets door rechts op de CPE-credits-callout te klikken.

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Leer over verkennende data-analyse in Python met deze cursus. Gebruik echte data om inzichten te verkrijgen.

Exploratory Data Analysis in Python

Leer hoe je data kunt verkennen, visualiseren en inzichten kunt verkrijgen met behulp van exploratieve data-analyse (EDA) in Python.

Associate Data Scientist  in Python

Data-analist  in Python

Python-gegevensbasisprincipes

Kruistabel

Exploratory Data Analysis in Python

Interactieve oefening met praktijkervaring