Análise Exploratória de Dados em Python
Aprenda a explorar, visualizar e extrair insights de dados usando análise exploratória (EDA) em Python.
Comece O Curso Gratuitamente4 horas14 vídeos49 exercícios54.236 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Então você tem alguns dados interessantes – por onde começar a análise? Este curso aborda o processo de investigação e análise de dados, desde a compreensão do que está incluído em um conjunto de dados até a integração das descobertas da investigação a um fluxo de trabalho de ciência de dados.
Usando dados sobre números de desemprego e preços de passagens aéreas, você vai utilizar o Python para resumir e validar dados, calcular, identificar e substituir valores faltantes e limpar valores numéricos e categóricos. Ao longo do curso, você vai criar belas visualizações do Seaborn para entender as variáveis e suas relações.
Você vai examinar, por exemplo, como o uso de álcool e o desempenho dos alunos estão relacionados. Por fim, o curso mostra como as descobertas exploratórias alimentam os fluxos de trabalho da ciência de dados, criando novas variáveis independentes, equilibrando recursos categóricos e gerando hipóteses a partir das descobertas.
Ao final deste curso, você terá a confiança necessária para realizar sua própria análise exploratória de dados (EDA, Exploratory Data Analysis) em Python. Você poderá explicar suas descobertas visualmente para outras pessoas e sugerir as próximas etapas para entender melhor os dados!
Usando dados sobre números de desemprego e preços de passagens aéreas, você vai utilizar o Python para resumir e validar dados, calcular, identificar e substituir valores faltantes e limpar valores numéricos e categóricos. Ao longo do curso, você vai criar belas visualizações do Seaborn para entender as variáveis e suas relações.
Você vai examinar, por exemplo, como o uso de álcool e o desempenho dos alunos estão relacionados. Por fim, o curso mostra como as descobertas exploratórias alimentam os fluxos de trabalho da ciência de dados, criando novas variáveis independentes, equilibrando recursos categóricos e gerando hipóteses a partir das descobertas.
Ao final deste curso, você terá a confiança necessária para realizar sua própria análise exploratória de dados (EDA, Exploratory Data Analysis) em Python. Você poderá explicar suas descobertas visualmente para outras pessoas e sugerir as próximas etapas para entender melhor os dados!
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Fundamentos de dados Python
Ir para a trilha- 1
Familiarização com um conjunto de dados
GratuitoQual é a melhor maneira de abordar um novo conjunto de dados? Aprenda a validar e resumir dados categóricos e numéricos e a criar visualizações do Seaborn para comunicar suas descobertas.
Análise exploratória inicial50 xpFunções para a análise exploratória inicial100 xpContagem de valores categóricos100 xpDesemprego global em 2021100 xpValidação dos dados50 xpIdentificação de tipos de dados100 xpValidação de continentes100 xpValidação do intervalo100 xpResumo dos dados50 xpResumos com .groupby() e .agg()100 xpAgregações nomeadas100 xpVisualização de resumos categóricos100 xp - 2
Limpeza e imputação de dados
Explorar e analisar dados geralmente significa lidar com valores faltantes, tipos de dados incorretos e valores discrepantes. Neste capítulo, você vai aprender técnicas para lidar com esses problemas e otimizar seus processos de EDA!
Como lidar com dados faltantes50 xpComo lidar com dados faltantes100 xpEstratégias para os dados faltantes remanescentes100 xpImputação de preços de passagens aéreas faltantes100 xpConversão e análise de dados categóricos50 xpComo encontrar o número de valores exclusivos100 xpCategorias de duração de voo100 xpComo adicionar categorias de duração100 xpComo trabalhar com dados numéricos50 xpDuração de voos100 xpComo incluir estatísticas descritivas100 xpTratamento de valores discrepantes50 xpO que fazer com valores discrepantes100 xpIdentificação de valores discrepantes100 xpEliminação de valores discrepantes100 xp - 3
Relações em dados
As variáveis dos conjuntos de dados não existem de forma isolada; elas têm relações entre si. Neste capítulo, você vai examinar as relações entre dados numéricos, categóricos e até mesmo DateTime, explorando a direção e a força dessas relações, bem como as formas de visualizá-las.
Padrões ao longo do tempo50 xpImportação de dados DateTime100 xpAtualização do tipo de dados para DateTime100 xpVisualização de relações ao longo do tempo100 xpCorrelação50 xpInterpretação de um mapa de calor50 xpVisualização de relações entre variáveis100 xpVisualização de relações entre diversas variáveis100 xpRelações e distribuições de fatores50 xpDados categóricos em gráficos de dispersão100 xpAnálise exploratória com gráficos KDE100 xp - 4
Como transformar a análise exploratória em ação
A análise exploratória de dados é uma etapa crucial no fluxo de trabalho da ciência de dados, mas não é o fim! Agora é hora de aprender técnicas e considerações que você pode usar para avançar com sucesso em seus projetos depois de terminar a análise exploratória!
Considerações sobre dados categóricos50 xpVerificação de desequilíbrio de classes100 xpTabulação cruzada100 xpComo gerar novas variáveis independentes50 xpComo extrair variáveis independentes para correlação100 xpCálculo de percentis salariais100 xpCategorização de salários100 xpElaboração de hipóteses50 xpComparação de salários100 xpComo escolher uma hipótese100 xpParabéns50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Fundamentos de dados Python
Ir para a trilhacolaboradores
George Boorman
Ver MaisCurriculum Manager, DataCamp
Izzy Weber
Ver MaisData Coach at iO-Sphere
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Análise Exploratória de Dados em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.