Curso
Limpieza de datos en R
IntermedioNivel de habilidad
Actualizado 8/2024RData Preparation4 h13 vídeos44 Ejercicios3,700 XP60,596Certificado de logros
Crea Tu Cuenta Gratuita
o
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.Preferido por estudiantes en miles de empresas
¿Formar a 2 o más personas?
Probar DataCamp for BusinessDescripción del curso
Superar problemas comunes de datos como eliminar duplicados en R
Se suele decir que los científicos de datos dedican el 80% de su tiempo a limpiar y manipular los datos y sólo el 20% a analizarlos. El tiempo dedicado a la limpieza es vital, ya que analizar datos sucios puede llevarte a sacar conclusiones inexactas.En este curso, aprenderás una serie de técnicas que te ayudarán a limpiar los datos sucios utilizando R. Empezarás convirtiendo los tipos de datos, aplicando restricciones de rango y tratando los duplicados totales y parciales para evitar el doble recuento.
Profundiza en los retos de los datos avanzados
Una vez que hayas practicado el trabajo con problemas comunes de datos, pasarás a retos más avanzados, como garantizar la coherencia de las mediciones y tratar los datos que faltan. Después de cada nuevo concepto, tendrás la oportunidad de completar un ejercicio práctico para consolidar tus conocimientos y aumentar tu experiencia.Aprende a utilizar la vinculación de registros durante la limpieza de datos
La vinculación de registros se utiliza para fusionar conjuntos de datos cuando los valores tienen problemas, como errores tipográficos o grafías diferentes. Explorarás esta útil técnica en el último capítulo y practicarás su aplicación utilizándola para unir dos conjuntos de datos de reseñas de restaurantes en un único conjunto de datos.Requisitos previos
Joining Data with dplyr1
Common Data Problems
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.
2
Categorical and Text Data
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.
3
Advanced Data Problems
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.
4
Record Linkage
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.
Limpieza de datos en R
Curso completo
Obtener certificado de logros
Añade esta certificación a tu perfil de LinkedIn o a tu currículum.Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete Ahora
¡Únete a 19 millones de estudiantes y empieza Limpieza de datos en R hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp
Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.