Paranın izini sür

Bu egzersizde, hem cust_id sütununda hem de acct_amount sütununda eksik değerler içeren banking adlı başka bir DataFrame ile çalışıyorsun.

Bankanın kaç benzersiz müşterisi olduğunu, müşterilerin ortalama tuttuğu tutarı ve daha fazlasını analiz etmek istiyorsun. cust_id değeri eksik olan satırların sana pek yardımcı olmayacağını ve ortalama olarak acct_amount değerinin genellikle inv_amount tutarının 5 katı olduğunu biliyorsun.

Bu egzersizde, cust_id değeri eksik olan banking satırlarını düşecek ve alan bilgine dayanarak eksik acct_amount değerlerini tahminle dolduracaksın.

Bu egzersiz

Python ile Veri Temizleme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

banking içindeki cust_id sütunundaki eksik değerleri düşürmek için .dropna() kullan ve sonucu banking_fullid değişkenine kaydet.
banking_fullid için tahmini hesap tutarlarını inv_amount * 5 olarak ayarlayarak inv_amount kullan ve sonucu acct_imp değişkenine ata.
banking_fullid içinde acct_amount sütununun eksik değerlerini, yeni oluşturduğun acct_imp ile .fillna() kullanarak doldur.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Drop missing values of cust_id
banking_fullid = banking.____(subset = ['____'])

# Compute estimated acct_amount
acct_imp = ____

# Impute missing acct_amount with corresponding acct_imp
banking_imputed = banking_fullid.____({'____':____})

# Print number of missing values
print(banking_imputed.isna().sum())

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile Veri Temizleme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this chapter, you'll learn how to overcome some of the most common dirty data problems. You'll convert data types, apply range constraints to remove future data points, and remove duplicated data points to avoid double-counting.

Exercise 1: Data type constraints Exercise 2: Common data types Exercise 3: Numeric data or ... ?Exercise 4: Summing strings and concatenating numbers Exercise 5: Data range constraints Exercise 6: Tire size constraints Exercise 7: Back to the future Exercise 8: Uniqueness constraints Exercise 9: How big is your subset?Exercise 10: Finding duplicates Exercise 11: Treating duplicates

Categorical and text data can often be some of the messiest parts of a dataset due to their unstructured nature. In this chapter, you’ll learn how to fix whitespace and capitalization inconsistencies in category labels, collapse multiple categories into one, and reformat strings for consistency.

Exercise 1: Membership constraints Exercise 2: Members only Exercise 3: Finding consistency Exercise 4: Categorical variables Exercise 5: Categories of errors Exercise 6: Inconsistent categories Exercise 7: Remapping categories Exercise 8: Cleaning text data Exercise 9: Removing titles and taking names Exercise 10: Keeping it descriptive

In this chapter, you'll dive into more advanced data cleaning problems, such as ensuring that weights are all written in kilograms instead of pounds. You'll also gain invaluable skills that will help you verify that values have been added correctly, and that missing values don't negatively impact your analyses.

Exercise 1: Tekdüzelik Exercise 2: Belirsiz tarihler Exercise 3: Para birimlerini tekdüze hale getirme Exercise 4: Tekdüzen tarihler Exercise 5: Alanlar arası doğrulama Exercise 6: Alanlar arası mı, değil mi?Exercise 7: Veri bütünlüğümüz nasıl?Exercise 8: Tamlık Exercise 9: Bu rastgele mi eksik?Exercise 10: Eksik yatırımcılar Exercise 11: Paranın izini sür

Geçerli Egzersiz

Record linkage is a powerful technique used to merge multiple datasets together, used when values have typos or different spellings. In this chapter, you'll learn how to link records by calculating the similarity between strings—you'll then use your new skills to join two restaurant review datasets into one clean master dataset.

Exercise 1: Comparing strings Exercise 2: Minimum edit distance Exercise 3: The cutoff point Exercise 4: Remapping categories II Exercise 5: Generating pairs Exercise 6: To link or not to link?Exercise 7: Pairs of restaurants Exercise 8: Similar restaurants Exercise 9: Linking DataFrames Exercise 10: Getting the right index Exercise 11: Linking them together!Exercise 12: Congratulations!