Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Marre des données désordonnées ? Saviez-vous que la plupart du temps d’un data scientist est consacré à chercher, nettoyer et réorganiser les données ? La bonne nouvelle, c’est que vous pouvez nettoyer vos données intelligemment ! Dans ce cours, Gérer les données manquantes en Python, c’est exactement ce que vous allez faire. Vous apprendrez à traiter les valeurs manquantes pour les données numériques, catégorielles et les séries temporelles. Vous apprendrez aussi à repérer les motifs que suivent les données manquantes. En travaillant sur des données de qualité de l’air et de diabète, vous apprendrez à analyser, à imputer et à évaluer l’impact de l’imputation.
Prérequis
Programme de formation
Plan du cours
1
Le problème des données manquantes
Familiarisez-vous avec les données manquantes et leur impact sur vos analyses. Découvrez les différentes opérations liées aux valeurs nulles dans votre jeu de données, comment repérer les données manquantes et comment résumer la proportion de données manquantes.
- Pourquoi traiter les données manquantes ?50 XP
- Étapes pour traiter les valeurs manquantes50 XP
- Opérations sur les valeurs nulles100 XP
- Recherche de valeurs nulles100 XP
- Gérer les valeurs manquantes50 XP
- Détecter les valeurs manquantes100 XP
- Remplacer les valeurs manquantes100 XP
- Remplacer les valeurs manquantes cachées100 XP
- Analyser la quantité de valeurs manquantes50 XP
- Analyser le pourcentage de valeurs manquantes100 XP
- Visualiser la présence de valeurs manquantes100 XP
2
Les données manquantes suivent‑elles un motif ?
Analyser le type de données manquantes dans votre jeu de données est une étape essentielle pour les traiter. Dans ce chapitre, vous apprendrez en détail à identifier des motifs dans vos données manquantes et non manquantes, et à les traiter de manière appropriée avec des techniques simples comme la suppression par liste.
3
Techniques d’imputation
Entrez dans le monde de l’imputation des données. Dans ce chapitre, vous appliquerez des techniques d’imputation de base pour combler les valeurs manquantes et vous visualiserez vos imputations afin d’évaluer leurs performances.
4
Techniques d’imputation avancées
Enfin, allez au‑delà des techniques d’imputation simples et tirez le meilleur parti de votre jeu de données grâce à des techniques avancées s’appuyant sur des modèles de Machine Learning, afin d’imputer et d’évaluer précisément vos données manquantes. Vous utiliserez notamment des méthodes comme KNN et MICE pour exploiter au mieux vos données manquantes.
Gérer les données manquantes en Python
Cours
terminé
