What's the best way to approach a new dataset? Learn to validate and summarize categorical and numerical data and create Seaborn visualizations to communicate your findings.

Initial exploration

Functions for initial exploration

Counting categorical values

Global unemployment in 2021

Data validation

Detecting data types

Validating continents

Validating range

Data summarization

Summaries with .groupby() and .agg()

Named aggregations

Visualizing categorical summaries

Getting to Know a Dataset

Exploring and analyzing data often means dealing with missing values, incorrect data types, and outliers. In this chapter, you’ll learn techniques to handle these issues and streamline your EDA processes!

Como lidar com dados faltantes

Estratégias para os dados faltantes remanescentes

Imputação de preços de passagens aéreas faltantes

Conversão e análise de dados categóricos

Como encontrar o número de valores exclusivos

Categorias de duração de voo

Como adicionar categorias de duração

Como trabalhar com dados numéricos

Duração de voos

Como incluir estatísticas descritivas

Tratamento de valores discrepantes

Alternativas

Remover os alores discrepantes

Deixar os valores discrepantes no conjunto de dados

O que fazer com valores discrepantes

Identificação de valores discrepantes

Eliminação de valores discrepantes

Data Cleaning and Imputation

Variables in datasets don't exist in a vacuum; they have relationships with each other. In this chapter, you'll look at relationships across numerical, categorical, and even DateTime data, exploring the direction and strength of these relationships as well as ways to visualize them.

Patterns over time

Importing DateTime data

Updating data type to DateTime

Visualizing relationships over time

Correlation

Interpreting a heatmap

Visualizing variable relationships

Visualizing multiple variable relationships

Factor relationships and distributions

Categorical data in scatter plots

Exploring with KDE plots

Relationships in Data

Exploratory data analysis is a crucial step in the data science workflow, but it isn't the end! Now it's time to learn techniques and considerations you can use to successfully move forward with your projects after you've finished exploring!

Considerations for categorical data

Checking for class imbalance

Cross-tabulation

Generating new features

Extracting features for correlation

Calculating salary percentiles

Categorizing salaries

Generating hypotheses

Comparing salaries

Choosing a hypothesis

Congratulations

Turning Exploratory Analysis into Action

unemployment.csv

data_science_salaries.csv

books.csv

divorce.csv

planes.csv

Course Glossary

Então você tem alguns dados interessantes – por onde começar a análise? Este curso aborda o processo de investigação e análise de dados, desde a compreensão do que está incluído em um conjunto de dados até a integração das descobertas da investigação a um fluxo de trabalho de ciência de dados. 

Usando dados sobre números de desemprego e preços de passagens aéreas, você vai utilizar o Python para resumir e validar dados, calcular, identificar e substituir valores faltantes e limpar valores numéricos e categóricos. Ao longo do curso, você vai criar belas visualizações do Seaborn para entender as variáveis e suas relações. 

Por fim, o curso mostra como as descobertas exploratórias alimentam os fluxos de trabalho da ciência de dados, criando novas variáveis independentes, equilibrando recursos categóricos e gerando hipóteses a partir das descobertas. 

Ao final deste curso, você terá a confiança necessária para realizar sua própria análise exploratória de dados (, Exploratory Data Analysis) em Python. Você poderá explicar suas descobertas visualmente para outras pessoas e sugerir as próximas etapas para entender melhor os dados!

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Aprenda análise exploratória de dados em Python com este curso de quatro horas.

Análise Exploratória de Dados em Python

Aprenda a explorar, visualizar e extrair insights dos dados usando a análise exploratória de dados (EDA) em Python.

Associate Data Scientist  em Python

Analista de dados  Em Python

Fundamentos de dados Python

Um sensor de temperatura tem um registro de 100 °C, mas o sensor só funciona corretamente em temperaturas de até 80 °C.

Um participante de um estudo tem idade inferior a 35 anos.

A velocidade de um carro foi registrada como 5.000 km/h.

Os países têm uma área total média de 667.143 km², mas um país foi registrado com 1.637.687 km².

As alturas de diferentes animais são registradas e uma delas é mais de 1,5 vezes o IQR mais o percentil 75.

Um jogador de basquete tem uma média de 35 pontos por jogo, sendo que a média da liga é de apenas 10 pontos por jogo.

O que fazer com valores discrepantes

Análise Exploratória de Dados em Python

exercicio interativo prático