Qual é a melhor maneira de abordar um novo conjunto de dados? Aprenda a validar e resumir dados categóricos e numéricos e a criar visualizações do Seaborn para comunicar suas descobertas.

Análise exploratória inicial

Funções para a análise exploratória inicial

Contagem de valores categóricos

Desemprego global em 2021

Validação dos dados

Identificação de tipos de dados

Validação de continentes

Validação do intervalo

Resumo dos dados

Resumos com .groupby() e .agg()

Agregações nomeadas

Visualização de resumos categóricos

Familiarização com um conjunto de dados

Explorar e analisar dados geralmente significa lidar com valores faltantes, tipos de dados incorretos e valores discrepantes. Neste capítulo, você aprenderá técnicas para lidar com esses problemas e otimizar seus processos de EDA!

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

O que fazer com valores discrepantes

Identificação de valores discrepantes

Eliminação de valores discrepantes

Limpeza e imputação de dados

As variáveis dos conjuntos de dados não existem de forma isolada; elas têm relações entre si. Neste capítulo, você vai examinar as relações entre dados numéricos, categóricos e até mesmo DateTime, explorando a direção e a força dessas relações, bem como as formas de visualizá-las.

Padrões ao longo do tempo

Importação de dados DateTime

Atualização do tipo de dados para DateTime

Visualização de relações ao longo do tempo

Correlação

Interpretação de um mapa de calor

Visualização de relações entre variáveis

Visualização de relações entre diversas variáveis

Relações e distribuições de fatores

Dados categóricos em gráficos de dispersão

Explorando com os gráficos do KDE

Relações em dados

A análise exploratória de dados é uma etapa crucial no fluxo de trabalho da ciência de dados, mas não é o fim! Agora é hora de aprender técnicas e considerações que você pode usar para avançar com sucesso em seus projetos depois de terminar a análise exploratória!

Considerações sobre dados categóricos

Verificação de desequilíbrio de classes

Tabulação cruzada

Como gerar novas variáveis independentes

Como extrair variáveis independentes para correlação

Cálculo de percentis salariais

Categorização de salários

Elaboração de hipóteses

Comparação de salários

Como escolher uma hipótese

Parabéns

Como transformar a análise exploratória em ação

unemployment.csv

data_science_salaries.csv

books.csv

divorce.csv

planes.csv

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. 

Você vai examinar, por exemplo, como o uso de álcool e o desempenho dos alunos estão relacionados. 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 (EDA) em Python e poderá explicar suas descobertas visualmente para outras pessoas e sugerir as próximas etapas para obter insights dos seus 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.

Cientista de dados associado  Em Python

Analista de dados  Em Python

Fundamentos de dados Python

Curriculum Manager, DataCamp

Factor relationships and distributions

Level of education: male partner

Exploring categorical relationships

Kernel Density Estimate (KDE) plots

Cumulative KDE plots

Relationship between marriage age and education

Scatter plot with categorical variables

Let's practice!

https://s3.amazonaws.com/assets.datacamp.com/production/course_37097/subtitles/course_37097_988890015f03ce25cd40c2f208a2c50a.vtt

Relações em dados - Relações e distribuições de fatores

Relações e distribuições de fatores

Create Your Free Account