Bekanta dig med saknade värden och hur de påverkar din analys. Lär dig om olika null-värdesoperationer i din datamängd, hur du hittar saknade värden och hur du sammanfattar förekomsten av saknade värden i din data.

Varför hantera saknade värden?

Steg för att hantera saknade värden

Operationer med null-värden

Hitta null-värden

Hantera saknade värden

Identifiera saknade värden

Ersätta saknade värden

Ersätta dolda saknade värden

Analysera mängden saknade värden

Analysera andelen saknade värden

Visualisera saknade värden

Problemet med saknade värden

Att analysera typen av saknande i din datamängd är ett viktigt steg mot att behandla saknade värden. I det här kapitlet lär du dig hur du identifierar mönster i din data – både där värden saknas och där de finns – samt hur du hanterar saknandet på ett lämpligt sätt med enkla tekniker som listvis borttagning.

Saknas data slumpmässigt?

Gissa typen av saknade värden

Identifiera MNAR

Hitta mönster i saknade data

Hitta korrelationer i dina data

Identifiera typen av saknade värden

Visualisera saknade värden över en variabel

Fyll i dummyvärden

Skapa spridningsdiagram med saknade värden

När och hur du tar bort saknade värden

Ta bort MCAR

Ska du ta bort data?

Finns det ett mönster i saknade värden?

Ge dig in i världen av dataimputering! I det här kapitlet tillämpar du grundläggande imputeringstekniker för att fylla i saknade värden och visualiserar dina imputeringar för att kunna utvärdera hur väl de fungerar.

Imputering med medelvärde, median och typvärde

Imputering med medelvärde och median

Imputering med typvärde och konstant

Visualisera imputationer

Imputera tidsseriedata

Fylla i saknade tidsseriedata

Imputera med interpoleringsmetoden

Visualisering av tidsserieimputationer

Visualisera framåtfyllningsimputering

Visualisera bakåtfyllnadsimputering

Plotta interpolationer

Imputeringstekniker

Ta steget bortom enkla imputeringstekniker och utnyttja din datamängd fullt ut med avancerade imputeringstekniker baserade på maskininlärningsmodeller. Du lär dig att imputera och utvärdera saknade värden på ett träffsäkert sätt. Metoder som KNN och MICE används för att få ut så mycket som möjligt av din data.

Imputering med fancyimpute

KNN-imputering

MICE-imputering

Imputera kategoriska värden

Ordinalenkodning av en kategorisk kolumn

Ordinal kodning av en DataFrame

KNN-imputering av kategoriska värden

Utvärdering av olika imputeringstekniker

Analysera sammanfattningen av den linjära modellen

Jämföra och välja det bästa justerade R-kvadratvärdet

Jämföra täthetsgram

Avslutning

Avancerade imputeringstekniker

Air Quality

Diabetes

Trött på att arbeta med rörig data? Visste du att datavetare spenderar större delen av sin tid på att hitta, rensa och omstrukturera data? Det finns smartare sätt att rensa data på! I kursen Hantera saknade värden i Python får du lära dig just det. Du lär dig att hantera saknade värden för numerisk och kategorisk data samt tidsseriedata. Du lär dig också att identifiera mönster i saknade värden. Genom att arbeta med luftkvalitets- och diabetesdata får du öva på att analysera, imputera och utvärdera effekterna av imputering.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Lär dig hantera saknade värden för numeriska, kategoriska och tidsseriedata samt analysera och utvärdera.

Varför hantera saknade värden?

Create Your Free Account