Name: Очищення даних у Python
Rating: 4.796122326604038 (5003 reviews)

Опис курсу

Дізнайтеся, як очищати дані в Python

Часто кажуть, що data scientists витрачають 80% свого часу на очищення та обробку даних і лише 20% — на їх аналіз. Очищення даних є необхідним етапом для кожного data scientist, оскільки аналіз неочищених даних може призвести до неточних висновків.

У цьому курсі ви навчитеся визначати, діагностувати та вирішувати різноманітні проблеми очищення даних у Python — від простих до складних. Ви будете працювати з неправильними типами даних, перевіряти, чи знаходяться ваші дані в правильному діапазоні, обробляти відсутні дані, виконувати зв’язування записів та багато іншого!

Дізнайтеся, як очищати різні типи даних

Перший розділ курсу розглядає поширені проблеми з даними та способи їх вирішення. Спочатку ви зрозумієте основні типи даних і навчитеся працювати з ними окремо. Після цього ви застосуєте обмеження діапазону та видалите дубльовані дані.

Останній розділ розглядає зв’язування записів, потужний інструмент для об’єднання кількох наборів даних. Ви дізнаєтеся, як пов’язувати записи, обчислюючи схожість між рядками. Нарешті ви використаєте свої нові навички, щоб об'єднати два набори даних відгуків про ресторани в один чистий основний набір даних.

Отримайте впевненість у очищенні даних

Після завершення курсу ви отримаєте впевненість у очищенні даних різних типів і використанні зв’язування записів для об’єднання кількох наборів даних. Очищення даних є необхідною навичкою для data scientists. Якщо ви хочете дізнатися більше про очищення даних у Python та його застосування, ознайомтеся з наступними треками: Data Scientist з Python та Імпорт і очищення даних з Python.

Попередні вимоги

Python Toolbox Joining Data with pandas

Навчальний план

Зміст курсу

Поширені проблеми з даними

У цьому розділі ви навчитеся долати деякі з найпоширеніших проблем «брудних» даних. Ви конвертуватимете типи даних, застосовуватимете обмеження діапазону, щоб прибрати значення з майбутнього, і видалятимете дублікати, аби уникнути подвійного підрахунку.

Почати розділ

Проблеми з текстовими та категоріальними даними

Категоріальні та текстові дані часто є найхаотичнішою частиною набору даних через неструктурованість. У цьому розділі ви виправите зайві пробіли та непослідовності у великих/малих літерах у мітках категорій, об’єднаєте кілька категорій в одну та відформатуєте рядки для узгодженості.

Почати розділ

Просунуті проблеми з даними

У цьому розділі ви розглянете більш просунуті завдання з очищення даних, наприклад, забезпечення того, щоб усі ваги були вказані в кілограмах, а не у фунтах. Ви також набудете цінних навичок, що допоможуть перевіряти коректність підсумовування значень і те, щоб пропуски не спотворювали ваш аналіз.

Почати розділ

Зв’язування записів

Зв’язування записів — це потужний підхід до об’єднання кількох наборів даних, корисний, коли значення містять опечатки або різні написання. У цьому розділі ви навчитеся пов’язувати записи, обчислюючи схожість між рядками, а потім застосуєте ці навички, щоб об’єднати два набори відгуків про ресторани в один чистий майстер-набір даних.