Explorative Datenanalyse in Python

Wie geht man am besten an einen neuen Datensatz heran? Lerne in diesem Kapitel, kategoriale und numerische Daten zu validieren und zusammenzufassen und Seaborn-Visualisierungen zur Veranschaulichung deiner Erkenntnisse zu erstellen.

Beim Erkunden und Analysieren von Daten tauchen oft fehlende Werte, falsche Datentypen und Ausreißer auf. In diesem Kapitel erfährst du, wie du mit diesen Problemen umgehen und deine EDA-Prozesse optimieren kannst.

Variablen in Datensätzen existieren nicht im Vakuum, sondern stehen in Beziehung zueinander. In diesem Kapitel beschäftigst du dich mit den Beziehungen zwischen numerischen und kategorialen Daten sowie sogar zwischen DateTime-Daten. Du schaust dir die Richtung und Stärke dieser Beziehungen an und lernst, wie du sie visualisieren kannst.

Die explorative Datenanalyse ist ein wichtiger Schritt im Data-Science-Workflow, aber sie ist nicht das Ende! Jetzt lernst du Verfahren und Überlegungen kennen, mit deren Hilfe du deine Projekte nach Abschluss der explorativen Analyse erfolgreich voranbringen kannst.