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. 

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

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. 

Is the data missing at random?

Guess the missingness type

Deduce MNAR

Finding patterns in missing data

Finding correlations in your data

Identify the missingness type

Visualizing missingness across a variable

Fill dummy values

Generate scatter plot with missingness

When and how to delete missing data

Delete MCAR

Will you delete?

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

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.

Lidando com Dados Ausentes em Python

Aprenda a identificar, analisar, remover e imputar dados ausentes em Python. 

Etapas para tratar valores ausentes

Lidando com Dados Ausentes em Python

exercicio interativo prático