После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Устали от работы с «грязными» данными? Знаете ли вы, что большую часть времени специалист по данным тратит на их поиск, очистку и упорядочивание?! Оказывается, это можно делать гораздо эффективнее! В этом курсе «Работа с пропущенными данными в Python» вы научитесь именно этому. Вы освоите методы обработки пропущенных значений для числовых, категориальных и временных рядов. Вы научитесь выявлять закономерности в пропущенных данных! Работая с данными о качестве воздуха и диабете, вы также научитесь анализировать, заполнять пропуски и оценивать эффект от их заполнения.
Предварительные требования
Программа
План курса
1
Проблема пропущенных данных
Познакомьтесь с пропущенными данными и узнайте, как они влияют на результаты анализа! Вы изучите различные операции с нулевыми значениями в наборе данных, научитесь обнаруживать пропуски и получать сводную информацию об их распределении.
- Зачем работать с пропущенными данными?50 XP
- Шаги по обработке пропущенных значений50 XP
- Операции с нулевыми значениями100 XP
- Поиск пропущенных значений100 XP
- Работа с пропущенными значениями50 XP
- Обнаружение пропущенных значений100 XP
- Замена пропущенных значений100 XP
- Замена скрытых пропущенных значений100 XP
- Анализ уровня пропущенных данных50 XP
- Анализ процента пропущенных значений100 XP
- Визуализация пропущенных значений100 XP
2
Есть ли закономерность в пропусках?
Анализ типа пропусков в наборе данных — важнейший шаг на пути к их обработке. В этой главе вы подробно изучите, как выявлять закономерности в пропущенных и непропущенных данных, а также как правильно работать с пропусками с помощью простых методов, например построчного удаления.
3
Методы заполнения пропусков
Погрузитесь в мир заполнения пропущенных данных! В этой главе вы применяете базовые методы заполнения пропусков и визуализируете результаты, чтобы оценить их эффективность.
4
Продвинутые методы заполнения пропусков
На завершающем этапе вы выйдете за рамки простых методов и освоите продвинутые техники заполнения пропусков на основе моделей машинного обучения — для точной обработки и оценки пропущенных данных. Вы будете использовать такие методы, как KNN и MICE, чтобы извлечь максимум из имеющихся данных!
Работа с пропущенными данными в Python
Курс
завершён
