Jak najlepiej podejść do nowego zbioru danych? Naucz się weryfikować i podsumowywać dane kategoryczne i liczbowe oraz tworzyć wizualizacje w Seaborn, które pozwolą ci przejrzyście przedstawić wyniki.

Wstępna eksploracja

Funkcje do wstępnej eksploracji

Zliczanie wartości kategorycznych

Globalne bezrobocie w 2021 roku

Walidacja danych

Wykrywanie typów danych

Walidacja kontynentów

Weryfikacja zakresu danych

Podsumowywanie danych

Podsumowania z .groupby() i .agg()

Nazwane agregacje

Wizualizacja podsumowań danych kategorycznych

Poznajemy zbiór danych

Eksploracja i analiza danych często wiąże się z obsługą brakujących wartości, nieprawidłowych typów danych i wartości odstających. W tym rozdziale poznasz techniki radzenia sobie z tymi problemami i usprawnienia procesu EDA!

Obsługa brakujących danych

Postępowanie z brakującymi danymi

Strategie postępowania z brakującymi danymi

Imputacja brakujących cen biletów

Konwersja i analiza danych kategorycznych

Znajdowanie liczby unikalnych wartości

Kategorie czasu lotu

Dodawanie kategorii czasu trwania

Praca z danymi liczbowymi

Czas trwania lotu

Dodawanie statystyk opisowych

Obsługa wartości odstających

Opcje

Usuń wartości odstające

Pozostaw wartości odstające w zbiorze danych

Co robić z wartościami odstającymi

Identyfikowanie wartości odstających

Usuwanie wartości odstających

Czyszczenie danych i imputacja

Zmienne w zbiorach danych nie istnieją w oderwaniu od siebie – łączą je wzajemne zależności. W tym rozdziale przyjrzysz się relacjom między danymi liczbowymi, kategorycznymi i datowo-czasowymi, zbadasz kierunek i siłę tych zależności oraz poznasz sposoby ich wizualizacji.

Wzorce w czasie

Importowanie danych DateTime

Aktualizacja typu danych do DateTime

Wizualizacja zależności w czasie

Korelacja

Interpretacja mapy ciepła

Wizualizacja zależności między zmiennymi

Wizualizacja relacji między wieloma zmiennymi

Relacje między zmiennymi kategorycznymi i ich rozkłady

Dane kategoryczne na wykresach punktowych

Eksploracja za pomocą wykresów KDE

Zależności w danych

Eksploracyjna analiza danych to kluczowy etap w procesie data science, ale nie ostatni! Czas poznać techniki i zagadnienia, które pomogą ci skutecznie kontynuować projekty po zakończeniu fazy eksploracji.

Zagadnienia związane z danymi kategorycznymi

Sprawdzanie nierównowagi klas

Tabela krzyżowa

Tworzenie nowych cech

Wyodrębnianie cech do analizy korelacji

Obliczanie percentyli wynagrodzenia

Kategoryzowanie wynagrodzeń

Generowanie hipotez

Porównanie wynagrodzeń

Wybór hipotezy

Gratulacje

Od eksploracji do działania

planes.csv

books.csv

Course Glossary

unemployment.csv

data_science_salaries.csv

divorce.csv

Masz ciekawe dane – od czego zacząć analizę? Ten kurs przeprowadzi cię przez cały proces eksploracji i analizy danych: od zrozumienia zawartości zbioru danych aż po włączenie wyników eksploracji do procesu pracy w data science. 

Korzystając z danych o stopach bezrobocia i cenach biletów lotniczych, nauczysz się podsumowywać i weryfikować dane, obliczać, identyfikować i zastępować brakujące wartości, a także czyścić dane liczbowe i kategoryczne. W trakcie kursu będziesz tworzyć przejrzyste wizualizacje w Seaborn, które pomogą ci zrozumieć zmienne i zależności między nimi. 

Kurs pokaże również, jak wyniki eksploracji przekształcają się w działania w ramach procesu data science – poprzez tworzenie nowych cech, balansowanie cech kategorycznych i formułowanie hipotez na podstawie odkryć. 

Po ukończeniu kursu będziesz mieć pewność, że samodzielnie przeprowadzisz eksploracyjną analizę danych (EDA) w Pythonie. Nauczysz się też wizualnie prezentować swoje wnioski i wskazywać kolejne kroki w pozyskiwaniu wiedzy z danych!

Filmy zawierają transkrypcje na żywo – możesz je wyświetlić, klikając „Pokaż transkrypcję" w lewym dolnym rogu okna wideo.									
Glosariusz kursu znajdziesz po prawej stronie, w sekcji zasobów.
									
Aby uzyskać punkty CPE, musisz ukończyć kurs i uzyskać co najmniej 70% punktów w kwalifikowanej ocenie. Do oceny możesz przejść, klikając komunikat o punktach CPE po prawej stronie.

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Poznaj eksploracyjną analizę danych w Pythonie w tym kursie. Użyj danych do czyszczenia i wizualizacji.

Eksploracyjna analiza danych w Pythonie

Naucz się eksplorować, wizualizować i wyciągać wnioski z danych, używając eksploracyjnej analizy danych (EDA) w Pythonie.

Młodszy Data Scientist  w Pythonie

Analityk danych  w Pythonie

Podstawy danych w Pythonie

Czujnik temperatury zarejestrował 100 stopni Celsjusza, jednak działa poprawnie tylko do 80 stopni.

Prędkość samochodu została zarejestrowana jako 5 000 km/h.

Średnia całkowita powierzchnia krajów wynosi 667 143 km², ale jeden kraj ma zapisaną powierzchnię 1 637 687 km².

Rejestrowane są wysokości różnych zwierząt i jedna z nich przekracza 1,5-krotność IQR dodaną do 75. percentyla.

Koszykarz średnio zdobywa 35 punktów na mecz, podczas gdy średnia w lidze wynosi zaledwie 10 punktów.

Co robić z wartościami odstającymi

Eksploracyjna analiza danych w Pythonie

Interaktywne ćwiczenie praktyczne