Familiarize-se com dados ausentes e como eles impactam sua análise! Aprenda sobre diferentes operações com valores nulos no seu conjunto de dados, como encontrar dados ausentes e como resumir a ausência de dados.

Por que lidar com dados ausentes?

Etapas para tratar valores ausentes

Operações com valores nulos

Encontrando valores nulos

Lidando com valores ausentes

Detectando valores ausentes

Substituindo valores ausentes

Substituindo valores ausentes ocultos

Analisar a quantidade de ausências

Analisando a porcentagem de valores ausentes

Visualizar a ausência de dados

O problema dos dados ausentes

Analisar o tipo de ausência no seu conjunto de dados é um passo muito importante para tratar valores ausentes. Neste capítulo, você vai aprender em detalhes como identificar padrões nos seus dados ausentes e não ausentes, e como tratar adequadamente a ausência usando técnicas simples, como a exclusão por lista (listwise deletion).

Os dados estão ausentes ao acaso?

Adivinhe o tipo de ausência

Deduzir MNAR

Encontrando padrões nos dados ausentes

Encontrando correlações nos seus dados

Identificar o tipo de ausência de dados

Visualizando a ausência ao longo de uma variável

Gerar valores fictícios

Gerar diagrama de dispersão com ausência de dados

Quando e como excluir dados ausentes

Excluir MCAR

Você vai excluir?

A ausência de dados tem padrão?

Embarque no mundo da imputação de dados! Neste capítulo, você vai aplicar técnicas básicas de imputação para preencher dados ausentes e visualizar suas imputações para poder avaliar o desempenho dessas imputações.

Imputações por média, mediana e moda

Imputação pela média e mediana

Imputação por moda e por constante

Visualizar imputações

Imputando dados de séries temporais

Preenchendo dados ausentes em séries temporais

Imputar com o método interpolate

Visualizando imputações em séries temporais

Visualizar imputação por preenchimento para frente

Visualize a imputação por preenchimento regressivo (backward fill)

Plotar interpolações

Técnicas de imputação

Por fim, vá além das técnicas simples de imputação e aproveite ao máximo seu conjunto de dados usando técnicas avançadas baseadas em modelos de Machine Learning, para imputar e avaliar os dados ausentes com precisão. Você usará métodos como KNN e MICE para extrair o máximo dos seus dados ausentes!

Imputando com fancyimpute

Imputação com KNN

Imputação com MICE

Imputando valores categóricos

Codificação ordinal de uma coluna categórica

Codificação ordinal de um DataFrame

Imputação KNN de valores categóricos

Avaliação de diferentes técnicas de imputação

Analise o resumo do modelo linear

Comparando e escolhendo o melhor R-quadrado ajustado

Comparando gráficos de densidade

Conclusão

Técnicas avançadas de imputação

Diabetes

Air Quality

Cansado de trabalhar com dados bagunçados? Você sabia que a maior parte do tempo de um cientista de dados é gasta encontrando, limpando e reorganizando dados? Pois é, dá para limpar seus dados de forma inteligente! Neste curso, Lidando com Dados Ausentes em Python, você vai fazer exatamente isso! Você vai aprender a tratar valores ausentes em dados numéricos, categóricos e também em séries temporais. Vai aprender a identificar os padrões que os dados ausentes apresentam! Trabalhando com dados de qualidade do ar e diabetes, você também vai analisar, imputar e avaliar os efeitos da imputação dos dados.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Aprenda a lidar com valores ausentes em dados numéricos, categóricos e de séries temporais.

Os dados estão ausentes ao acaso?

Create Your Free Account