Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
¿Cansado de trabajar con datos desordenados? ¿Sabías que la mayor parte del tiempo de una persona de data science se va en buscar, limpiar y reorganizar datos? ¡Resulta que puedes limpiar tus datos de forma inteligente! En este curso, Cómo tratar datos faltantes en Python, harás exactamente eso. Aprenderás a tratar valores faltantes en datos numéricos, categóricos y también en series temporales. ¡Verás los patrones que presentan los datos faltantes! Mientras trabajas con datos de calidad del aire y de diabetes, aprenderás a analizar, imputar y evaluar los efectos de imputar los datos.
Requisitos previos
Programa de formación
Contenido del curso
1
El problema de los datos faltantes
Familiarízate con los datos faltantes y cómo impactan en tu análisis. Aprende distintas operaciones con valores nulos en tu conjunto de datos, cómo encontrar datos faltantes y cómo resumir la ausencia de datos.
- ¿Por qué ocuparse de los datos faltantes?50 XP
- Pasos para tratar valores faltantes50 XP
- Operaciones con valores nulos100 XP
- Buscar valores nulos100 XP
- Cómo manejar los valores ausentes50 XP
- Detección de valores faltantes100 XP
- Reemplazar valores faltantes100 XP
- Sustituir valores perdidos ocultos100 XP
- Analiza la cantidad de valores faltantes50 XP
- Analizar el porcentaje de ausencia de datos100 XP
- Visualiza la ausencia de datos100 XP
2
¿La ausencia de datos tiene un patrón?
Analizar el tipo de ausencia de datos en tu conjunto de datos es un paso clave para tratar los valores faltantes. En este capítulo, aprenderás en detalle a identificar patrones en tus datos presentes y ausentes, y a tratar adecuadamente la ausencia usando técnicas sencillas como la eliminación por lista (listwise deletion).
3
Técnicas de imputación
¡Adéntrate en el mundo de la imputación de datos! En este capítulo, aplicarás técnicas básicas de imputación para rellenar datos faltantes y visualizarás tus imputaciones para poder evaluar su rendimiento.
4
Técnicas avanzadas de imputación
Por último, ve más allá de las técnicas simples y saca el máximo partido a tu conjunto de datos usando técnicas avanzadas de imputación basadas en modelos de Machine Learning, para imputar y evaluar con precisión tus datos faltantes. Utilizarás métodos como KNN y MICE para aprovechar al máximo tus datos faltantes.
Cómo tratar datos faltantes en Python
Curso
completado
