Build your ultimate AI agent
Kursbeskrivning
Trött på att arbeta med rörig data? Visste du att datavetare spenderar större delen av sin tid på att hitta, rensa och omstrukturera data? Det finns smartare sätt att rensa data på! I kursen Hantera saknade värden i Python får du lära dig just det. Du lär dig att hantera saknade värden för numerisk och kategorisk data samt tidsseriedata. Du lär dig också att identifiera mönster i saknade värden. Genom att arbeta med luftkvalitets- och diabetesdata får du öva på att analysera, imputera och utvärdera effekterna av imputering.
Förkunskapskrav
Kursplan
Kursöversikt
1
Problemet med saknade värden
Bekanta dig med saknade värden och hur de påverkar din analys. Lär dig om olika null-värdesoperationer i din datamängd, hur du hittar saknade värden och hur du sammanfattar förekomsten av saknade värden i din data.
- Varför hantera saknade värden?50 XP
- Steg för att hantera saknade värden50 XP
- Operationer med null-värden100 XP
- Hitta null-värden100 XP
- Hantera saknade värden50 XP
- Identifiera saknade värden100 XP
- Ersätta saknade värden100 XP
- Ersätta dolda saknade värden100 XP
- Analysera mängden saknade värden50 XP
- Analysera andelen saknade värden100 XP
- Visualisera saknade värden100 XP
2
Finns det ett mönster i saknade värden?
Att analysera typen av saknande i din datamängd är ett viktigt steg mot att behandla saknade värden. I det här kapitlet lär du dig hur du identifierar mönster i din data – både där värden saknas och där de finns – samt hur du hanterar saknandet på ett lämpligt sätt med enkla tekniker som listvis borttagning.
3
Imputeringstekniker
Ge dig in i världen av dataimputering! I det här kapitlet tillämpar du grundläggande imputeringstekniker för att fylla i saknade värden och visualiserar dina imputeringar för att kunna utvärdera hur väl de fungerar.
4
Avancerade imputeringstekniker
Ta steget bortom enkla imputeringstekniker och utnyttja din datamängd fullt ut med avancerade imputeringstekniker baserade på maskininlärningsmodeller. Du lär dig att imputera och utvärdera saknade värden på ett träffsäkert sätt. Metoder som KNN och MICE används för att få ut så mycket som möjligt av din data.
Hantera saknade värden i Python
Kurs
slutförd
