Validare încrucișată sau nu?

Pe parcursul acestui curs, ai explorat o varietate de probleme de curățare a datelor: constrângeri de interval, constrângeri de tip de date, uniformitate și altele.

În această lecție, ai fost introdus în validarea încrucișată a câmpurilor ca metodă de verificare a corectitudinii datelor și de asigurare a integrității acestora.

Acum, vei asocia diferite concepte și tehnici aplicabile cu categoriile corespunzătoare.

Acest exercițiu face parte din cursul

Curățarea datelor în Python

Vezi cursul

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Curățarea datelor în Python

SkillTag.level.intermediateSkillTag.label

4.8+

5003 reviews

Începe cursul gratuit

În acest capitol vei învăța cum să depășești unele dintre cele mai frecvente probleme ale datelor murdare. Vei converti tipuri de date, vei aplica constrângeri de interval pentru a elimina puncte de date din viitor și vei elimina duplicatele pentru a evita dubla contorizare.

Exercise 1: Constrângeri privind tipurile de date Exercise 2: Tipuri comune de date Exercise 3: Date numerice sau ... ?Exercise 4: Adunarea șirurilor și concatenarea numerelor Exercise 5: Constrângeri de interval pentru date Exercise 6: Constrângeri privind dimensiunea anvelopelor Exercise 7: Înapoi în viitor Exercise 8: Constrângeri de unicitate Exercise 9: Cât de mare este subsetul tău?Exercise 10: Găsirea duplicatelor Exercise 11: Tratarea duplicatelor

Datele categoriale și cele text pot fi unele dintre cele mai dezordonate părți ale unui set de date, din cauza naturii lor nestructurate. În acest capitol vei învăța cum să corectezi inconsistențele de spațiere și de majuscule din etichetele categoriilor, să grupezi mai multe categorii într-una singură și să reformatezi șirurile de caractere pentru consistență.

Exercise 1: Restricții de apartenență Exercise 2: Doar pentru membri Exercise 3: Găsirea inconsistențelor Exercise 4: Variabile categorice Exercise 5: Categorii de erori Exercise 6: Categorii inconsistente Exercise 7: Remaparea categoriilor Exercise 8: Curățarea datelor text Exercise 9: Eliminarea titlurilor și păstrarea numelor Exercise 10: Răspunsuri detaliate

În acest capitol vei aborda probleme mai avansate de curățare a datelor, cum ar fi verificarea că greutățile sunt exprimate în kilograme, nu în livre. Vei dobândi, de asemenea, abilități valoroase care te vor ajuta să verifici că valorile au fost adăugate corect și că valorile lipsă nu afectează negativ analizele tale.

Exercise 1: Uniformitate Exercise 2: Date ambigue Exercise 3: Monede uniforme Exercise 4: Date uniforme Exercise 5: Validarea încrucișată a câmpurilor Exercise 6: Validare încrucișată sau nu?

Exercițiul curent

Exercise 7: Cât de integre sunt datele noastre?Exercise 8: Completitudine Exercise 9: Lipsesc la întâmplare?Exercise 10: Investitori lipsă Exercise 11: Urmărește banii

Legătura între înregistrări este o tehnică puternică folosită pentru a îmbina mai multe seturi de date, utilă atunci când valorile conțin greșeli de scriere sau variante ortografice diferite. În acest capitol vei învăța cum să legi înregistrările calculând similaritatea dintre șiruri de caractere – apoi vei folosi noile abilități pentru a uni două seturi de date cu recenzii de restaurante într-un set de date principal, curat.

Exercise 1: Compararea șirurilor de caractere Exercise 2: Distanța minimă de editare Exercise 3: Pragul de similitudine Exercise 4: Remaparea categoriilor II Exercise 5: Generarea perechilor Exercise 6: Să legi sau să nu legi?Exercise 7: Perechi de restaurante Exercise 8: Restaurante similare Exercise 9: Legarea DataFrame-urilor Exercise 10: Alegerea indexului corect Exercise 11: Hai să le unim!Exercise 12: Felicitări!