ข้ามไปยังเนื้อหาหลัก

คอร์ส

การวิเคราะห์ข้อมูลเชิงสำรวจด้วย Python

ระดับกลาง4 ชม.

เรียนรู้วิธีสำรวจ แสดงผล และดึงอินไซต์จากข้อมูลด้วยการวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) ใน Python

Python4 ชม.14 วิดีโอ49 แบบฝึกหัด4,150 XP110K+ใบแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google
หรือ
การดำเนินการต่อหมายความว่าคุณยอมรับ เงื่อนไขการใช้งาน, ของเรา นโยบายความเป็นส่วนตัว และข้อมูลของคุณถูกจัดเก็บไว้ในสหรัฐอเมริกา

ได้รับความไว้วางใจจากผู้เรียนในหลายพันบริษัท

รายละเอียดคอร์ส

มีข้อมูลที่น่าสนใจอยู่ในมือแล้ว แต่จะเริ่มต้นวิเคราะห์จากตรงไหน? คอร์สนี้จะพาไปเรียนรู้กระบวนการสำรวจและวิเคราะห์ข้อมูลตั้งแต่ต้น ตั้งแต่การทำความเข้าใจโครงสร้างของชุดข้อมูล ไปจนถึงการนำผลการสำรวจไปใช้ในกระบวนการทำงานด้านวิทยาศาสตร์ข้อมูล

โดยใช้ข้อมูลเกี่ยวกับอัตราการว่างงานและราคาตั๋วเครื่องบิน จะได้ฝึกใช้ Python เพื่อสรุปและตรวจสอบความถูกต้องของข้อมูล คำนวณ ระบุ และแทนที่ค่าที่หายไป รวมถึงทำความสะอาดข้อมูลทั้งประเภทตัวเลขและหมวดหมู่ ตลอดทั้งคอร์สจะได้สร้างกราฟด้วย Seaborn เพื่อทำความเข้าใจตัวแปรและความสัมพันธ์ระหว่างกัน

นอกจากนี้ คอร์สยังจะแสดงให้เห็นว่าผลการสำรวจข้อมูลเชิงสำรวจสามารถต่อยอดสู่กระบวนการทำงานด้านวิทยาศาสตร์ข้อมูลได้อย่างไร ไม่ว่าจะเป็นการสร้างฟีเจอร์ใหม่ การจัดสมดุลฟีเจอร์ประเภทหมวดหมู่ และการตั้งสมมติฐานจากสิ่งที่ค้นพบ

เมื่อจบคอร์สนี้ จะมีความมั่นใจในการทำการวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) ด้วย Python ได้ด้วยตนเอง รวมถึงสามารถนำเสนอผลการวิเคราะห์ด้วยภาพ และเสนอแนวทางถัดไปในการดึงข้อมูลเชิงลึกจากข้อมูลได้วิดีโอมีคำบรรยายสดที่สามารถเปิดดูได้โดยคลิก "Show transcript" ที่มุมล่างซ้ายของวิดีโอ ดูอภิธานศัพท์ของคอร์สได้ที่ส่วนทรัพยากรทางด้านขวาเพื่อรับหน่วยกิต CPE ต้องทำคอร์สให้ครบและได้คะแนนอย่างน้อย 70% ในแบบทดสอบที่กำหนด สามารถไปยังแบบทดสอบได้โดยคลิกที่ส่วน CPE credits ทางด้านขวา

ข้อกำหนดเบื้องต้น

หลักสูตร

โครงสร้างคอร์ส

1

ทำความรู้จักชุดข้อมูล

2

การทำความสะอาดข้อมูลและการประมาณค่าที่หายไป

การสำรวจและวิเคราะห์ข้อมูลมักต้องรับมือกับค่าที่หายไป ประเภทข้อมูลที่ไม่ถูกต้อง และค่าผิดปกติ ในบทนี้จะได้เรียนรู้เทคนิคในการจัดการปัญหาเหล่านี้เพื่อให้กระบวนการ EDA ราบรื่นยิ่งขึ้น
เริ่มบทเรียน
3

ความสัมพันธ์ในข้อมูล

ตัวแปรในชุดข้อมูลไม่ได้อยู่โดดเดี่ยว แต่ล้วนมีความสัมพันธ์ซึ่งกันและกัน ในบทนี้จะสำรวจความสัมพันธ์ระหว่างข้อมูลตัวเลข หมวดหมู่ และข้อมูล DateTime รวมถึงทิศทาง ความแข็งแกร่งของความสัมพันธ์ และวิธีแสดงผลด้วยกราฟ
เริ่มบทเรียน
4

ต่อยอดจากการวิเคราะห์เชิงสำรวจสู่การลงมือทำ

การวิเคราะห์ข้อมูลเชิงสำรวจเป็นขั้นตอนสำคัญในกระบวนการทำงานด้านวิทยาศาสตร์ข้อมูล แต่ยังไม่ใช่จุดสิ้นสุด บทนี้จะแนะนำเทคนิคและข้อควรพิจารณาเพื่อนำโปรเจกต์ก้าวต่อไปหลังจากสำรวจข้อมูลเสร็จแล้ว
เริ่มบทเรียน

การวิเคราะห์ข้อมูลเชิงสำรวจด้วย Python

เรียนจบแล้ว

รับใบรับรองความสำเร็จ

ลงทะเบียนเลย

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp บนมือถือ

ก้าวหน้าได้ทุกที่ด้วยคอร์สมือถือและแบบฝึกหัดการเขียนโค้ด 5 นาทีประจำวันของเรา

การวิเคราะห์ข้อมูลเชิงสำรวจด้วย Python | DataCamp