Familiarizează-te cu datele lipsă și cu impactul lor asupra analizei! Află cum funcționează operațiile cu valori nule în setul tău de date, cum să identifici datele lipsă și cum să rezumi gradul de lipsă din date.

De ce să tratăm datele lipsă?

Pașii pentru tratarea valorilor lipsă

Operații cu valori nule

Găsirea valorilor Null

Gestionarea valorilor lipsă

Detectarea valorilor lipsă

Înlocuirea valorilor lipsă

Înlocuirea valorilor lipsă ascunse

Analizează gradul de lipsă a datelor

Analiza procentului de valori lipsă

Vizualizează valorile lipsă

Problema datelor lipsă

Analiza tipului de lipsă din setul tău de date este un pas esențial înainte de a trata valorile lipsă. În acest capitol, vei învăța în detaliu cum să identifici tipare în datele lipsă și în cele prezente, și cum să tratezi lipsa în mod adecvat folosind tehnici simple, cum ar fi ștergerea pe rânduri.

Lipsesc datele în mod aleatoriu?

Ghicește tipul de lipsă a datelor

Identifică MNAR

Identificarea tiparelor în datele lipsă

Găsirea corelațiilor în datele tale

Identifică tipul de date lipsă

Vizualizarea valorilor lipsă în funcție de o variabilă

Completează cu valori fictive

Generează un grafic scatter cu valorile lipsă

Când și cum să ștergi datele lipsă

Ștergere MCAR

Ștergi sau nu?

Există un tipar în datele lipsă?

Descoperă lumea imputării datelor! În acest capitol, vei aplica tehnici de bază pentru a completa datele lipsă și vei vizualiza imputările pentru a le putea evalua performanța.

Imputări prin medie, mediană & modă

Imputarea cu medie și mediană

Imputare prin modă și valoare constantă

Vizualizează imputările

Imputarea datelor de tip serie temporală

Completarea datelor lipsă din serii de timp

Imputare cu metoda interpolate

Vizualizarea imputărilor pentru serii de timp

Vizualizează imputarea prin propagare înainte

Vizualizează imputarea prin completare înapoi

Reprezentarea grafică a interpolărilor

Tehnici de imputare

Mergi dincolo de tehnicile simple de imputare și valorifică la maximum setul tău de date folosind tehnici avansate bazate pe modele de învățare automată, pentru a imputa și evalua cu precizie datele lipsă. Vei folosi metode precum KNN și MICE pentru a obține cele mai bune rezultate din datele tale lipsă!

Imputare cu fancyimpute

Imputare cu KNN

Imputare cu MICE

Imputarea valorilor categorice

Codificarea ordinală a unei coloane categorice

Codificarea ordinală a unui DataFrame

Imputarea valorilor categoriale cu KNN

Evaluarea diferitelor tehnici de imputare

Analizează rezumatul modelului liniar

Compararea și alegerea celui mai bun R-pătrat ajustat

Compararea graficelor de densitate

Concluzie

Tehnici avansate de imputare

Air Quality

Diabetes

Ești obosit să lucrezi cu date dezordonate? Știai că majoritatea timpului unui om de știință al datelor este petrecut găsind, curățând și reorganizând date?! Ei bine, există o modalitate inteligentă de a-ți curăța datele! În acest curs, Gestionarea datelor lipsă în Python, vei face exact asta! Vei învăța să tratezi valorile lipsă pentru date numerice, categoriale și de tip serie de timp. Vei descoperi tipare în datele lipsă și, lucrând cu date despre calitatea aerului și diabet, vei analiza, imputa și evalua efectele imputării.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Învață să gestionezi valorile lipsă pentru date numerice, categorice și de serie temporală.

Gestionarea datelor lipsă în Python

Învață să identifici, analizezi, elimini și imputi datele lipsă în Python. 

Imputări prin medie, mediană & modă

Create Your Free Account