Eksik verilere ve bunların analizini nasıl etkilediğine aşina ol! Veri kümmendeki farklı null değer işlemlerini, eksik veriyi nasıl bulacağını ve eksikliği nasıl özetleyeceğini öğren. 

Eksik verilerle neden uğraşmalı?

Eksik değerleri ele alma adımları

Null değer işlemleri

NULL değerlerini bulma

Eksik değerleri işleme

Eksik değerleri tespit etme

Eksik değerleri değiştirme

Gizli eksik değerleri değiştirme

Eksiklik miktarını analiz et

Eksiklik yüzdesini analiz etme

Eksikliği görselleştir

Eksik Verilerle İlgili Sorun

Veri kümmendeki eksikliğin türünü analiz etmek, eksik değerleri ele almanın çok önemli bir adımıdır. Bu bölümde, eksik ve eksik olmayan verinde örüntüler kurmayı ayrıntılı olarak öğrenecek ve listwise deletion gibi basit tekniklerle eksikliği uygun şekilde nasıl ele alacağını göreceksin. 

Veri rastgele mi eksik?

Eksiklik türünü tahmin et

MNAR'ı çıkar

Eksik verideki kalıpları bulma

Verilerinde korelasyonlar bulma

Eksiklik türünü belirle

Bir değişken boyunca eksikliğin görselleştirilmesi

Sahte (dummy) değerler oluştur

Eksiklikleri gösteren saçılım grafiği oluştur

Eksik veriler ne zaman ve nasıl silinir

MCAR'ı Sil

Silecek misin?

Eksiklik Bir Örüntü İzliyor mu?

Değer atamanın dünyasına adım at! Bu bölümde, eksik verileri doldurmak için temel atama tekniklerini uygulayacak ve atamalarının başarımını değerlendirebilmek için görselleştireceksin. 

Ortalama, medyan ve mod ile atama

Ortalama ve medyan ile atama

Mod ve sabit değer atama

İmputasyonları görselleştir

Zaman serisi verisini atama (imputation)

Zaman serisindeki eksik verileri doldurma

interpolate yöntemiyle imputasyon yap

Zaman serisi imputasyonlarını görselleştirme

İleri doldurma imputasyonunu görselleştir

Geriye doldurma atamasını görselleştir

Ara değer tahminlerini görselleştir

Değer Atama (Imputation) Teknikleri

Son olarak, basit atama tekniklerinin ötesine geç ve Machine Learning modellerine dayanan gelişmiş atama tekniklerini kullanarak veri kümenden en iyi şekilde yararlan; eksik veriyi doğru biçimde atayıp değerlendirebileceksin. Eksik verilerinden en iyi sonucu almak için KNN ve MICE gibi yöntemleri kullanacaksın! 

fancyimpute kullanarak atama yapmak

KNN ile atama (imputation)

MICE ile atama

Kategorik değerleri atama

Bir kategorik sütunun sıralı kodlanması

Bir DataFrame'in sıralı (ordinal) kodlanması

Kategorik değerlerin KNN ile ataması

Farklı atama tekniklerinin değerlendirilmesi

Doğrusal model özetini analiz et

En iyi düzeltilmiş R-kareyi karşılaştırma ve seçme

Yoğunluk grafiklerini karşılaştırma

Sonuç

Gelişmiş Değer Atama Teknikleri

Air Quality

Diabetes

Düzensiz verilerle çalışmaktan bıktın mı? Bir veri bilimcisinin zamanının çoğunu veri bulma, temizleme ve yeniden düzenlemeye harcadığını biliyor muydun?! Aslında verini akıllıca temizleyebilirsin! Bu Python'da Eksik Verilerle Çalışma kursunda tam da bunu yapacaksın! Sayısal, kategorik ve zaman serisi verilerindeki eksik değerleri ele almayı öğreneceksin. Eksik verinin sergilediği örüntüleri görmeyi de öğreneceksin! Hava kalitesi ve diyabet verileriyle çalışırken, veriyi analiz etmeyi, değer atamayı (imputation) ve atamanın etkilerini değerlendirmeyi de öğreneceksin.

Introduction to Data Visualization with Matplotlib

Supervised Learning with scikit-learn

Eksik değerleri ele almayı, analiz etmeyi, tamamlamayı ve etkilerini değerlendirmeyi öğrenin.

Python'da Eksik Verilerle Çalışma

Python'da eksik verileri tespit etme, analiz etme, kaldırma ve yerine değer atama becerisi kazanın. 

Ortalama, medyan ve mod ile atama

Create Your Free Account