Preparación de datos

Comprender la ciencia de datos

Hadrien Lacroix

Content Developer, DataCamp

Flujo de trabajo de datos

Flujo de trabajo de ciencia de datos

Comprender la ciencia de datos

¿Por qué preparar los datos?

  • Los datos del mundo real son desordenados
  • La preparación se realiza para evitar:
    • errores
    • resultados incorrectos
    • algoritmos sesgados

preparando sopa

Comprender la ciencia de datos

Empecemos a limpiar

Sara Lis Hadrien Lis
Edad "27" "30" "30"
Tamaño 1,77 5,58 1,80 5,58
País "Bélgica" "EE. UU." "FR" "EE. UU."

scraper-cleaning-window

Comprender la ciencia de datos

Datos ordenados

Antes

$$

Sara Lis Hadrien Lis
Edad "27" "30" "30"
Tamaño 1,77 5,58 1,80 5,58
País "Bélgica" "EE. UU." "FR" "EE. UU."

folded-laundry

Comprender la ciencia de datos

Salida de datos ordenada

Antes

$$

Sara Lis Hadrien Lis
Edad "27" "30" "30"
Tamaño 1,77 5,58 1,80 5,58
País "Bélgica" "EE. UU." "FR" "EE. UU."

Después

$$

Nombre Edad Tamaño País
Sara "26" 1,78 "Bélgica"
Lis "30" 5,58 "USA"
Hadrien 1,80 "FR"
Lis "30" 5,58 "USA"
Comprender la ciencia de datos

Eliminar duplicados

Antes

$$

Nombre Edad Tamaño País
Sara "27" 1,77 "Bélgica"
Lis "30" 5,58 "USA"
Hadrien 1,80 "FR"
Lis "30" 5,58 "USA"

double-cherry

Comprender la ciencia de datos

Eliminar duplicados | salida

Antes

$$

Nombre Edad Tamaño País
Sara "27" 1,77 "Bélgica"
Lis "30" 5,58 "USA"
Hadrien 1,80 "FR"
Lis "30" 5,58 "USA"

Después

$$

Nombre Edad Tamaño País
Sara "27" 1,77 "Bélgica"
Lis "30" 5,58 "USA"
Hadrien 1,80 "FR"
Comprender la ciencia de datos

ID único

Antes

$$

Nombre Edad Tamaño País
Sara "27" 1,77 "Bélgica"
Lis "30" 5,58 "USA"
Hadrien 1,80 "FR"

purple-duck-with-yellow-ducks

Comprender la ciencia de datos

ID único | salida

Antes

$$

Nombre Edad Tamaño País
Sara "27" 1,77 "Bélgica"
Lis "30" 5,58 "USA"
Hadrien 1,80 "FR"

Después

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "Bélgica"
1 Lis "30" 5,58 "USA"
2 Hadrien 1,80 "FR"
Comprender la ciencia de datos

Homogeneidad

Antes

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "Bélgica"
1 Lis "30" 5,58 "USA"
2 Hadrien 1,80 "FR"

small-goldfish-facing-large-goldfish

Comprender la ciencia de datos

Homogeneidad | salida

Antes

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "Bélgica"
1 Lis "30" 5,58 "USA"
2 Hadrien 1,80 "FR"

Después

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "Bélgica"
1 Lis "30" 1,70 "EE. UU."
2 Hadrien 1,80 "FR"
Comprender la ciencia de datos

Homogeneidad, de nuevo

Antes

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "Bélgica"
1 Lis "30" 1,70 "EE. UU."
2 Hadrien 1,80 "FR"

belgian-flag

Comprender la ciencia de datos

Homogeneidad, de nuevo | salida

Antes

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "Bélgica"
1 Lis "30" 1,70 "US"
2 Hadrien 1,80 "FR"

Después

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "BE"
1 Lis "30" 1,70 "US"
2 Hadrien 1,80 "FR"
Comprender la ciencia de datos

Tipos de datos

Antes

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "BE"
1 Lis "30" 1,70 "US"
2 Hadrien 1,80 "FR"

different-types-of-pasta

Comprender la ciencia de datos

Tipos de datos | salida

Antes

$$

ID Nombre Edad Tamaño País
0 Sara "27" 1,77 "BE"
1 Lis "30" 1,70 "US"
2 Hadrien 1,80 "FR"

Después

$$

ID Nombre Edad Tamaño País
0 Sara 27 1,77 "BE"
1 Lis 30 1,70 "US"
2 Hadrien 1,80 "FR"
Comprender la ciencia de datos

Valores ausentes

Antes

$$

ID Nombre Edad Tamaño País
0 Sara 27 1,77 "BE"
1 Lis 30 1,70 "US"
2 Hadrien 1,80 "FR"

Razones:

  • entrada de datos
  • error
  • valor ausente válido

Soluciones:

  • atribuir
  • soltar
  • mantener
Comprender la ciencia de datos

Valores ausentes | salida

Antes

$$

ID Nombre Edad Tamaño País
0 Sara 27 1,77 "BE"
1 Lis 30 1,70 "USA"
2 Hadrien 1,80 "FR"

Después

$$

ID Nombre Edad Tamaño País
0 Sara 27 1,77 "BE"
1 Lis 30 1,70 "US"
2 Hadrien 28 1,80 "FR"
Comprender la ciencia de datos

¡Practiquemos!

Comprender la ciencia de datos

Preparing Video For Download...