Bu bölümde, en yaygın kirli veri sorunlarını nasıl aşacağını öğreneceksin. Veri tiplerini dönüştürecek, geleceğe ait veri noktalarını elemek için aralık kısıtları uygulayacak ve çift sayımı önlemek için yinelenen veri noktalarını kaldıracaksın.

Veri türü kısıtları

Seçenekler

Sayısal veri türleri

Metin

Tarihler

Yaygın veri türleri

Sayısal veri mi yoksa ... ?

String toplamak ve sayıları birleştirmek

Veri aralığı kısıtları

Lastik boyutu kısıtları

Geleceğe dönüş

Benzersizlik kısıtları

Alt kümen ne kadar büyük?

Yinelenenleri bulma

Yinelenenleri temizleme

Yaygın veri sorunları

Yapısal olmadıkları için kategorik ve metin veriler, bir veri kümesinin en dağınık kısımları olabilir. Bu bölümde, kategori etiketlerindeki boşluk ve büyük/küçük harf tutarsızlıklarını düzeltecek, birden çok kategoriyi tek bir kategoride birleştirecek ve tutarlılık için dizgileri yeniden biçimlendireceksin.

Üyelik kısıtları

Sadece üyeler

Tutarlılık bulma

Kategorik değişkenler

Hata kategorileri

Tutarsız kategoriler

Kategorileri yeniden eşleme

Metin verisini temizleme

Ünvanları kaldırma ve adları alma

Açıklayıcı kalalım

Metin ve kategorik veri sorunları

Bu bölümde, ağırlıkların pound yerine kilogram cinsinden yazıldığından emin olmak gibi daha ileri düzey veri temizleme problemlerine dalacaksın. Ayrıca, değerlerin doğru şekilde toplanıp toplanmadığını doğrulamana ve eksik değerlerin analizlerini olumsuz etkilemesini önlemene yardımcı olacak çok değerli beceriler edineceksin.

Tekdüzelik

Belirsiz tarihler

Para birimlerini tekdüze hale getirme

Tekdüzen tarihler

Alanlar arası doğrulama

Alanlar arası mı, değil mi?

Veri bütünlüğümüz nasıl?

Tamlık

Bu rastgele mi eksik?

Eksik yatırımcılar

Paranın izini sür

İleri düzey veri sorunları

Kayıt eşleştirme, yazım hataları veya farklı yazımlar olduğunda birden fazla veri kümesini birleştirmek için kullanılan güçlü bir tekniktir. Bu bölümde, dizgiler arasındaki benzerliği hesaplayarak kayıtları nasıl eşleştireceğini öğreneceksin—ardından yeni becerilerini kullanarak iki restoran inceleme veri kümesini tek bir temiz ana veri kümesinde birleştireceksin.

Dizgileri karşılaştırma

Asgari düzenleme mesafesi

Eşik değeri

Kategorileri yeniden eşleme II

Eşleşmeler oluşturma

Bağlamak mı, bağlamamak mı?

Restoran çiftleri

Benzer restoranlar

DataFrame'leri ilişkilendirme

Doğru indeksi almak

Hepsini bir araya bağlayalım!

Tebrikler!

Kayıt eşleştirme

Ride sharing dataset

Airlines dataset

Banking dataset

Restaurants dataset

Restaurants dataset II

Course Glossary

Veri bilimcilerin zamanlarının %80’ini veriyi temizleme ve dönüştürmeye, yalnızca %20’sini analiz etmeye harcadıkları sıkça söylenir. Temizleme için harcanan zaman kritik önemdedir; çünkü kirli veriyi analiz etmek yanlış sonuçlara yol açabilir.

Videoların sol alt köşesindeki "Show transcript" seçeneğine tıklayarak canlı dökümleri açabilirsin.
Kurs sözlüğünü sağdaki kaynaklar bölümünde bulabilirsin.
CPE kredisi almak için kursu tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağ taraftaki CPE kredileri bildirimine tıklayarak değerlendirmeye gidebilirsin.

Veri temizleme, veri biliminin vazgeçilmez bir görevidir. Uygun şekilde temizlenmiş veri olmadan, herhangi bir veri analizi veya Machine Learning modeli hatalı sonuçlar verebilir. Bu kursta, Python’da basitten ileri seviyeye kadar çeşitli veri temizleme problemlerini nasıl belirleyeceğini, teşhis edeceğini ve düzelteceğini öğreneceksin. Uygun olmayan veri tipleriyle uğraşacak, verinin doğru aralıkta olup olmadığını kontrol edecek, eksik veriyi yönetecek, kayıt eşleştirme yapacak ve daha fazlasını keşfedeceksin!

<h2>Python'da Verileri Temizlemeyi Keşfedin</h2>
Veri hazırlığı çok önemlidir: Veri bilimcilerin işinin %80'i verileri temizlemek ve işlemektir. İşin yalnızca %20'si gerçekten analiz etmektir. Verilerin temizlenmesi, her veri bilimcisi için önemli bir adımdır, çünkü kirli verilerin analizi yanlış sonuçlara yol açabilir. 
<br><br>
Bu kursta, Python'da basitinden ileri düzeyine kadar çeşitli veri temizleme sorunlarını nasıl belirleyeceğinizi, teşhis edeceğinizi ve tedavi edeceğinizi öğreneceksiniz. Uygun olmayan veri türlerini ele alacak, verilerinizin doğru aralıkta olup olmadığını kontrol edecek, eksik verileri işleyecek, kayıt bağlantısı gerçekleştirecek ve daha fazlasını yapacaksınız!
<br><br>
<h2>Farklı Veri Türlerini Temizlemeyi Öğrenin</h2>
Kursun ilk bölümünde yaygın veri sorunları ve bunların nasıl çözülebileceği ele alınmaktadır. Öncelikle temel veri türlerini ve bunların her birini nasıl kullanacağınızı öğreneceksiniz. Ardından, aralık kısıtlamaları uygulayacak ve yinelenen veri noktalarını kaldıracaksınız.
<br><br>
Son bölümde, birden fazla veri setini birleştirmek için güçlü bir araç olan kayıt bağlantısı ele alınmaktadır. Dizgiler arasındaki benzerliği hesaplayarak kayıtları nasıl bağlayacağınızı öğreneceksiniz. Son olarak, yeni becerilerinizi kullanarak iki restoran yorum veri setini tek bir temiz ana veri setinde birleştireceksiniz.
<br><br>
<h2>Verileri Temizlemede Güven Kazanın</h2>
Kursun sonunda, çeşitli türdeki verileri temizleme ve kayıt bağlantısını kullanarak birden fazla veri kümesini birleştirme konusunda kendinize güven kazanacaksınız. Verileri temizlemek, veri bilimcileri için vazgeçilmez bir beceridir. Python'da veri temizleme ve uygulamaları hakkında daha fazla bilgi edinmek istiyorsanız, aşağıdaki bölümleri inceleyin: Python ile Veri Bilimcisi ve Python ile Veri İçe Aktarma ve Temizleme.

Python Toolbox

Joining Data with pandas

Bu dört saatlik kursta Python verilerini temizlemeyi öğrenin. Kayıt bağlantısı ve veri sorunları ele alınacak.

Python ile Veri Temizleme

Kirli verileri teşhis etmeyi ve tedavi etmeyi öğrenin ve ham verilerinizi doğru içgörülere dönüştürmek için gerekli becerileri geliştirin! 

Yardımcı Veri Bilimcisi  Python'da

Veri Mühendisi Python'da

Verileri İçe Aktarma ve Temizleme  Python'da

first_name	last_name	credit_score	has_loan
Justin	Saddlemeyer	600	1
Hadrien	Lacroix	450	0

Alt kümen ne kadar büyük?

Python ile Veri Temizleme

Uygulamalı etkileşimli egzersiz