After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
是否厌倦了与杂乱的数据打交道？您是否知道，数据科学家大部分时间都花在查找、清洗和重组数据上？！其实，您可以更聪明地清洗数据！在本课程"在 Python 中处理缺失数据"中，您将做到这一点！您将学习如何处理数值、分类以及时间序列数据中的缺失值。您还将学会识别缺失数据呈现的模式！在处理空气质量和糖尿病数据的过程中，您还会学习如何分析、插补并评估插补对数据的影响。
先修要求
课程大纲
课程大纲
1
缺失数据的问题
熟悉缺失数据以及它对分析的影响！了解数据集中不同的空值操作，如何查找缺失数据，并对数据中的缺失情况进行汇总。
2
缺失是否有模式？
分析数据集中缺失类型是处理缺失值的重要一步。在本章中，您将深入学习如何识别缺失与非缺失数据中的模式，并使用诸如按案例删除（listwise deletion）等简单技术，恰当地处理缺失。
3
插补技术
走进数据插补的世界！在本章中，您将应用基础插补技术填补缺失数据，并对插补结果进行可视化，以便评估插补效果。
4
高级插补技术
最后，超越简单插补技术，利用依赖机器学习模型的高级插补方法，充分发挥数据集的价值，更准确地插补并评估缺失数据。您将使用 KNN 和 MICE 等方法，从缺失数据中获取尽可能多的信息。
在 Python 中处理缺失数据
课程完成
