Ga naar hoofdinhoud
HomePython

Cursus

Omgaan met ontbrekende gegevens in Python

GemiddeldVaardigheidsniveau
Bijgewerkt 08-2023
Leer hoe je ontbrekende gegevens in Python kunt vinden, analyseren, verwijderen en invullen.
Start Cursus Kosteloos
PythonData Manipulation
4 u
14 videos
46 Opdrachten
3,800 XP
25,962
Bewijs van Prestatie

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of


Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Geliefd bij leerlingen van duizenden bedrijven

Group

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Ben je het zat om met rommelige data te werken? Wist je dat een data scientist het grootste deel van z'n tijd besteedt aan het zoeken, opschonen en herorganiseren van data? Goed nieuws: je kunt je data ook slim opschonen! In deze cursus Omgaan met ontbrekende gegevens in Python ga je precies dat doen. Je leert hoe je ontbrekende waarden aanpakt voor numerieke en categorische data én voor tijdreeksdata. Je leert de patronen in ontbrekende data herkennen. Terwijl je werkt met data over luchtkwaliteit en diabetes, leer je ook analyseren, imputeren en de effecten van imputatie evalueren.

Vereisten

Introduction to Data Visualization with MatplotlibSupervised Learning with scikit-learn
1

Het probleem met ontbrekende data

Maak kennis met ontbrekende data en ontdek hoe dit je analyse beïnvloedt. Leer over verschillende bewerkingen voor null-waarden in je gegevensset, hoe je ontbrekende data vindt en hoe je ontbrekendheid in je data samenvat.
Hoofdstuk beginnen
2

Heeft ontbrekendheid een patroon?

Het analyseren van het type ontbrekendheid in je gegevensset is een belangrijke stap om ontbrekende waarden correct te behandelen. In dit hoofdstuk leer je in detail hoe je patronen vaststelt in je ontbrekende en niet-ontbrekende data, en hoe je de ontbrekendheid op de juiste manier aanpakt met eenvoudige technieken zoals listwise deletion.
Hoofdstuk beginnen
4

Geavanceerde imputatietechnieken

Ga tot slot verder dan eenvoudige imputatietechnieken en haal meer uit je gegevensset met geavanceerde technieken die gebruikmaken van Machine Learning-modellen, zodat je ontbrekende data nauwkeurig kunt imputeren en evalueren. Je gebruikt onder andere KNN en MICE om het maximale uit je ontbrekende data te halen.
Hoofdstuk beginnen
Omgaan met ontbrekende gegevens in Python
Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprek
Schrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Omgaan met ontbrekende gegevens in Python!

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of


Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.