Create Your Free Account
or
By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.Training 2 or more people?Try DataCamp For Business
Loved by learners at thousands of companies
Descrição do Curso
Então você tem alguns dados interessantes - por onde começar sua análise? Este curso abordará o processo de exploração e análise de dados, desde a compreensão do que está incluído em um conjunto de dados até a incorporação das descobertas da exploração em um fluxo de trabalho de ciência de dados.
Usando dados sobre números de desemprego e preços de passagens aéreas, você usará Python para resumir e validar dados, calcular, identificar e substituir valores ausentes e limpar valores numéricos e categóricos. Ao longo do curso, você criará belas visualizações do Seaborn para entender as variáveis e seus relacionamentos.
Por exemplo, você examinará como o uso de álcool e o desempenho dos alunos estão relacionados. Por fim, o curso mostrará como as descobertas exploratórias alimentam os fluxos de trabalho da ciência de dados, criando novos recursos, equilibrando recursos categóricos e gerando hipóteses a partir das descobertas.
Ao final deste curso, você terá a confiança necessária para realizar sua própria análise exploratória de dados (EDA) em Python e poderá explicar suas descobertas visualmente para outras pessoas e sugerir as próximas etapas para obter insights dos seus dados!
Usando dados sobre números de desemprego e preços de passagens aéreas, você usará Python para resumir e validar dados, calcular, identificar e substituir valores ausentes e limpar valores numéricos e categóricos. Ao longo do curso, você criará belas visualizações do Seaborn para entender as variáveis e seus relacionamentos.
Por exemplo, você examinará como o uso de álcool e o desempenho dos alunos estão relacionados. Por fim, o curso mostrará como as descobertas exploratórias alimentam os fluxos de trabalho da ciência de dados, criando novos recursos, equilibrando recursos categóricos e gerando hipóteses a partir das descobertas.
Ao final deste curso, você terá a confiança necessária para realizar sua própria análise exploratória de dados (EDA) em Python e poderá explicar suas descobertas visualmente para outras pessoas e sugerir as próximas etapas para obter insights dos seus dados!
For Business
Training 2 or more people?
Get your team access to the full DataCamp library, with centralized reporting, assignments, projects and moreNas seguintes faixas
- 1
Conhecendo um conjunto de dados
LivreQual é a melhor maneira de abordar um novo conjunto de dados? Aprenda a validar e resumir dados categóricos e numéricos e a criar visualizações do Seaborn para comunicar suas descobertas.
Exploração inicial50 xpFunções para exploração inicial100 xpContagem de valores categóricos100 xpDesemprego global em 2021100 xpValidação de dados50 xpDetecção de tipos de dados100 xpValidação de continentes100 xpValidação do intervalo100 xpResumo de dados50 xpResumos com .groupby() e .agg()100 xpAgregações nomeadas100 xpVisualização de resumos categóricos100 xp - 2
Limpeza e imputação de dados
Explorar e analisar dados geralmente significa lidar com valores ausentes, tipos de dados incorretos e outliers. Neste capítulo, você aprenderá técnicas para lidar com esses problemas e otimizar seus processos de EDA!
Abordagem de dados ausentes50 xpComo lidar com dados ausentes100 xpEstratégias para os dados ausentes restantes100 xpImputação de preços de avião ausentes100 xpConversão e análise de dados categóricos50 xpEncontrar o número de valores exclusivos100 xpCategorias de duração de voo100 xpAdição de categorias de duração100 xpTrabalho com dados numéricos50 xpDuração do voo100 xpAdição de estatísticas descritivas100 xpManuseio de outliers50 xpO que fazer com os valores discrepantes100 xpIdentificação de outliers100 xpRemoção de valores discrepantes100 xp - 3
Relacionamentos em dados
As variáveis nos conjuntos de dados não existem em um vácuo; elas têm relações entre si. Neste capítulo, você examinará as relações entre dados numéricos, categóricos e até mesmo DateTime, explorando a direção e a força dessas relações, bem como as formas de visualizá-las.
Padrões ao longo do tempo50 xpImportação de dados DateTime100 xpAtualização do tipo de dados para DateTime100 xpVisualização de relacionamentos ao longo do tempo100 xpCorrelação50 xpInterpretação de um mapa de calor50 xpVisualização de relações variáveis100 xpVisualização de relações entre várias variáveis100 xpRelações e distribuições de fatores50 xpDados categóricos em gráficos de dispersão100 xpExplorando com gráficos do KDE100 xp - 4
Transformando a análise exploratória em ação
A análise exploratória de dados é uma etapa crucial no fluxo de trabalho da ciência de dados, mas não é o fim! Agora é hora de aprender técnicas e considerações que você pode usar para avançar com sucesso em seus projetos depois de terminar a exploração!
Considerações sobre dados categóricos50 xpVerificação de desequilíbrio de classe100 xpTabulação cruzada100 xpGeração de novos recursos50 xpExtração de recursos para correlação100 xpCálculo de percentis salariais100 xpCategorização de salários100 xpGeração de hipóteses50 xpComparação de salários100 xpEscolha de uma hipótese100 xpParabéns50 xp
For Business
Training 2 or more people?
Get your team access to the full DataCamp library, with centralized reporting, assignments, projects and moreNas seguintes faixas
Collaborators
George Boorman
Veja MaisCurriculum Manager, DataCamp
Izzy Weber
Veja MaisData Coach at iO-Sphere
What do other learners have to say?
Join over 13 million learners and start Análise exploratória de dados em Python today!
Create Your Free Account
or
By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.