Przejdź do głównej treści

Strona główna Python

Kurs

Eksploracyjna analiza danych w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 04.2026

Naucz się eksplorować, wizualizować i wyciągać wnioski z danych, używając eksploracyjnej analizy danych (EDA) w Pythonie.

Zacznij kurs za darmo

PythonExploratory Data Analysis

4 godz.

14 filmów

49 Ćwiczeń

4,150 XP

100K+

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Masz ciekawe dane – od czego zacząć analizę? Ten kurs przeprowadzi cię przez cały proces eksploracji i analizy danych: od zrozumienia zawartości zbioru danych aż po włączenie wyników eksploracji do procesu pracy w data science.

Korzystając z danych o stopach bezrobocia i cenach biletów lotniczych, nauczysz się podsumowywać i weryfikować dane, obliczać, identyfikować i zastępować brakujące wartości, a także czyścić dane liczbowe i kategoryczne. W trakcie kursu będziesz tworzyć przejrzyste wizualizacje w Seaborn, które pomogą ci zrozumieć zmienne i zależności między nimi.

Kurs pokaże również, jak wyniki eksploracji przekształcają się w działania w ramach procesu data science – poprzez tworzenie nowych cech, balansowanie cech kategorycznych i formułowanie hipotez na podstawie odkryć.

Po ukończeniu kursu będziesz mieć pewność, że samodzielnie przeprowadzisz eksploracyjną analizę danych (EDA) w Pythonie. Nauczysz się też wizualnie prezentować swoje wnioski i wskazywać kolejne kroki w pozyskiwaniu wiedzy z danych!Filmy zawierają transkrypcje na żywo – możesz je wyświetlić, klikając „Pokaż transkrypcję" w lewym dolnym rogu okna wideo. Glosariusz kursu znajdziesz po prawej stronie, w sekcji zasobów.Aby uzyskać punkty CPE, musisz ukończyć kurs i uzyskać co najmniej 70% punktów w kwalifikowanej ocenie. Do oceny możesz przejść, klikając komunikat o punktach CPE po prawej stronie.

Wymagania wstępne

Introduction to Statistics in Python Introduction to Data Visualization with Seaborn

1

Getting to Know a Dataset

What's the best way to approach a new dataset? Learn to validate and summarize categorical and numerical data and create Seaborn visualizations to communicate your findings.

Initial exploration

Functions for initial exploration

Counting categorical values

Global unemployment in 2021

Data validation

Detecting data types

Validating continents

Validating range

Data summarization

Summaries with .groupby() and .agg()

Named aggregations

Visualizing categorical summaries

Zacznij rozdział

2

Data Cleaning and Imputation

Exploring and analyzing data often means dealing with missing values, incorrect data types, and outliers. In this chapter, you’ll learn techniques to handle these issues and streamline your EDA processes!

Addressing missing data

Dealing with missing data

Strategies for remaining missing data

Imputing missing plane prices

Converting and analyzing categorical data

Finding the number of unique values

Flight duration categories

Adding duration categories

Working with numeric data

Flight duration

Adding descriptive statistics

Handling outliers

What to do with outliers

Identifying outliers

Removing outliers

Zacznij rozdział

3

Relationships in Data

Variables in datasets don't exist in a vacuum; they have relationships with each other. In this chapter, you'll look at relationships across numerical, categorical, and even DateTime data, exploring the direction and strength of these relationships as well as ways to visualize them.

Patterns over time

Importing DateTime data

Updating data type to DateTime

Visualizing relationships over time

Correlation

Interpreting a heatmap

Visualizing variable relationships

Visualizing multiple variable relationships

Factor relationships and distributions

Categorical data in scatter plots

Exploring with KDE plots

Zacznij rozdział

4

Turning Exploratory Analysis into Action

Exploratory data analysis is a crucial step in the data science workflow, but it isn't the end! Now it's time to learn techniques and considerations you can use to successfully move forward with your projects after you've finished exploring!

Considerations for categorical data

Checking for class imbalance

Cross-tabulation

Generating new features

Extracting features for correlation

Calculating salary percentiles

Categorizing salaries

Generating hypotheses

Comparing salaries

Choosing a hypothesis

Congratulations

Zacznij rozdział

Eksploracyjna analiza danych w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Eksploracyjna analiza danych w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.