Zapoznaj się z brakującymi danymi i ich wpływem na analizę. Dowiedz się, jak wykonywać różne operacje na wartościach pustych w zbiorze danych, jak wykrywać braki i jak je podsumowywać.

Dlaczego warto zajmować się brakującymi danymi?

Kroki postępowania z brakującymi wartościami

Operacje na wartościach null

Znajdowanie wartości null

Obsługa brakujących wartości

Wykrywanie brakujących wartości

Zastępowanie brakujących wartości

Zastępowanie ukrytych brakujących wartości

Analiza stopnia brakujących danych

Analiza procentu brakujących danych

Wizualizacja brakujących danych

Problem brakujących danych

Analiza rodzaju brakujących danych to kluczowy krok przed ich uzupełnieniem. W tym rozdziale nauczysz się szczegółowo identyfikować wzorce w danych brakujących i obecnych, a następnie odpowiednio je traktować – między innymi za pomocą usuwania wierszy z brakami.

Czy dane brakują losowo?

Zgadnij typ brakujących danych

Rozpoznaj MNAR

Znajdowanie wzorców w brakujących danych

Znajdowanie korelacji w danych

Określ typ braków danych

Wizualizacja brakujących danych w obrębie zmiennej

Wypełnianie wartościami zastępczymi

Generowanie wykresu rozrzutu z uwzględnieniem braków danych

Kiedy i jak usuwać brakujące dane

Usuwanie MCAR

Czy usunąć dane?

Czy braki danych mają wzorzec?

Wejdź w świat imputacji danych! W tym rozdziale zastosujesz podstawowe techniki uzupełniania brakujących wartości i zwizualizujesz wyniki imputacji, aby ocenić ich jakość.

Imputacja średnią, medianą i dominantą

Imputacja średnią i medianą

Imputacja modą i stałą wartością

Wizualizacja imputacji

Imputacja danych szeregów czasowych

Uzupełnianie brakujących danych szeregów czasowych

Imputacja metodą interpolate

Wizualizacja imputacji danych szeregów czasowych

Wizualizacja imputacji metodą forward fill

Wizualizacja imputacji metodą wypełniania wstecznego

Wizualizacja interpolacji

Techniki imputacji

Wyjdź poza podstawowe techniki imputacji i w pełni wykorzystaj potencjał swojego zbioru danych. Zaawansowane metody oparte na modelach uczenia maszynowego pozwolą ci dokładnie uzupełnić braki i ocenić wyniki. Skorzystasz z metod takich jak KNN i MICE, aby jak najlepiej poradzić sobie z brakującymi danymi.

Imputacja z użyciem fancyimpute

Imputacja metodą KNN

Imputacja metodą MICE

Imputacja wartości kategorycznych

Kodowanie porządkowe kolumny kategorycznej

Kodowanie porządkowe DataFrame

Imputacja wartości kategorycznych metodą KNN

Ocena różnych technik imputacji

Analiza podsumowania modelu liniowego

Porównanie i wybór najlepszego skorygowanego R-kwadrat

Porównywanie wykresów gęstości

Podsumowanie

Zaawansowane techniki imputacji

Air Quality

Diabetes

Masz dość pracy z niechlujnymi danymi? Wiesz, że większość czasu analityka danych pochłania wyszukiwanie, czyszczenie i porządkowanie danych? Na szczęście można to robić sprytnie! W tym kursie – Braki danych w Pythonie – nauczysz się właśnie tego. Dowiesz się, jak radzić sobie z brakującymi wartościami w danych liczbowych, kategorycznych i szeregach czasowych. Nauczysz się rozpoznawać wzorce, jakie wykazują braki danych. Pracując na danych dotyczących jakości powietrza i cukrzycy, przeanalizujesz braki, uzupełnisz je metodami imputacji i ocenisz wpływ tych operacji na dane.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Naucz się obsługi brakujących danych numerycznych, kategorycznych i czasowych oraz ich analizy i imputacji.

Braki danych w Pythonie

Naucz się identyfikować, analizować, usuwać i imputować brakujące dane w Pythonie. 

Deep Learning & Computer Vision Consultant

Dlaczego warto radzić sobie z brakującymi danymi?

Dlaczego brakujące dane istnieją?

Czego nauczysz się w tym kursie

Proces obsługi brakujących wartości

Operacje na wartościach NULL

Czas na ćwiczenia!

Problem brakujących danych - Dlaczego warto zajmować się brakującymi danymi?

Dlaczego warto zajmować się brakującymi danymi?

Create Your Free Account