50 % Rabatt auf DataCamp Premium. Über 700 Kurse zum halben Preis. Beginne jetzt mit dem Lernen.
Kursbeschreibung
Genug von chaotischen Daten? Wusstest du, dass ein Großteil der Zeit von Data Scientists darauf verwendet wird, Daten zu finden, zu bereinigen und neu zu strukturieren? Es gibt clevere Wege, deine Daten zu bereinigen! In diesem Kurs „Umgang mit fehlenden Daten in Python“ machst du genau das. Du lernst, fehlende Werte in numerischen und kategorialen Daten sowie in Zeitreihendaten zu behandeln. Außerdem erkennst du die Muster, die fehlende Daten zeigen. Anhand von Luftqualitäts- und Diabetesdaten lernst du zudem, fehlende Werte zu analysieren, zu imputieren und die Auswirkungen der Imputation zu bewerten.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Das Problem mit fehlenden Daten
Mach dich mit fehlenden Daten vertraut und erfahre, wie sie deine Analyse beeinflussen! Lerne verschiedene Operationen mit Nullwerten in deinem Datensatz kennen, wie du fehlende Daten findest und die Fehlwertigkeit in deinen Daten zusammenfasst.
- Warum sich mit fehlenden Daten beschäftigen?50 XP
- Schritte zur Behandlung fehlender Werte50 XP
- Operationen mit Nullwerten100 XP
- Null-Werte finden100 XP
- Fehlende Werte behandeln50 XP
- Fehlende Werte erkennen100 XP
- Fehlende Werte ersetzen100 XP
- Versteckte fehlende Werte ersetzen100 XP
- Analysiere das Ausmaß der fehlenden Werte50 XP
- Analyse des Missingness-Prozentsatzes100 XP
- Fehlwerte visualisieren100 XP
2
Hat Fehlwertigkeit ein Muster?
Die Analyse der Art der Fehlwertigkeit in deinem Datensatz ist ein wichtiger Schritt, um fehlende Werte richtig zu behandeln. In diesem Kapitel lernst du im Detail, wie du Muster in vorhandenen und fehlenden Daten erkennst und die Fehlwertigkeit mit einfachen Techniken wie der Listenweglassung angemessen behandelst.
3
Imputationstechniken
Tauche ein in die Welt der Datenimputation! In diesem Kapitel wendest du grundlegende Imputationstechniken an, um fehlende Daten zu füllen, und visualisierst deine Imputationen, damit du ihre Performance beurteilen kannst.
4
Fortgeschrittene Imputationstechniken
Zum Schluss gehst du über einfache Imputationstechniken hinaus und holst mit fortgeschrittenen, auf Machine-Learning-Modellen basierenden Verfahren das Beste aus deinem Datensatz heraus, um fehlende Daten präzise zu imputieren und zu evaluieren. Du nutzt Methoden wie KNN und MICE, um möglichst viel aus deinen fehlenden Daten herauszuholen.
Umgang mit fehlenden Daten in Python
Kurs
abgeschlossen
