Build your ultimate AI agent
Kursbeskrivning
Att förstå, använda och sammanfatta icke-numerisk data – som en persons blodgrupp eller civilstånd – är en viktig del av datavetenskapen. I den här kursen lär du dig att hantera och visualisera kategoriska data med pandas och seaborn. Genom praktiska övningar bekantar du dig med pandas datatyp för kategoriska data, inklusive hur du skapar, tar bort och uppdaterar kategoriska kolumner. Du arbetar också med en rad olika datamängder – bland annat om adoptionshundar, reserecensioner från Las Vegas och folkräkningsdata – för att utveckla dina färdigheter inom kategoriska data.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till kategoriska data
Nästan alla datamängder innehåller kategorisk information – och ofta är det en outnyttjad källa till värdefulla insikter. I det här kapitlet lär du dig hur pandas hanterar kategoriska kolumner med datatypen category. Du upptäcker också hur du grupperar data efter kategorier för att ta fram användbara sammanfattande statistikvärden.
- Kursintroduktion50 XP
- Kategorisk vs. numerisk100 XP
- Utforska en målvariabel100 XP
- Ordinala kategoriska variabler100 XP
- Kategoriska data i pandas50 XP
- Ange dtypes och spara minne100 XP
- Skapa en kategorisk pandas-serie100 XP
- Ange dtype vid inläsning av data100 XP
- Gruppera data efter kategori i pandas50 XP
- Skapa många grupper50 XP
- Sätta upp en .groupby()-sats100 XP
- Använda pandas-funktioner på ett effektivt sätt100 XP
2
Kategoriska pandas-serier
Nu är det dags att lära dig hur du ställer in, lägger till och tar bort kategorier i en serie. Du utforskar också hur du uppdaterar, byter namn på, slår samman och ordnar om kategorier – och tillämpar sedan dina nya kunskaper för att rensa och komma åt andra data i din DataFrame.
3
Visualisering av kategoriska data
I det här kapitlet använder du Python-biblioteket seaborn för att skapa informativa visualiseringar av kategoriska data – bland annat kategoriplott (cat-plot), lådagram, stapeldiagram, punktplott och räkneplott. Du lär dig också att visualisera kategoriska kolumner och dela upp data efter kategoriska kolumner för att visualisera sammanfattande statistik för numeriska kolumner.
4
Fallgropar och kodning
Avslutningsvis lär du dig hur du undviker vanliga fallgropar när du arbetar med kategoriska data. Du bygger också ut dina kunskaper om datakodning när du introduceras till etikettskodning och one-hot-kodning – två metoder som är mycket användbara när du förbereder data för maskininlärningsalgoritmer.
Arbeta med kategoriska data i Python
Kurs
slutförd
