0 dní v řadě · 0 bodů

Tahák · Python · Práce s daty

Mise: průzkum datasetu

Prozkoumáš špinavá data z půjčovny elektrokol, vyčistíš je a zjistíš, proč prostý průměr málem vedl ke špatnému rozhodnutí.

Otevřít celou lekciVšechny taháky
python
df.shape; df.dtypes; df.head()          # první pohled
df["s"].unique(); df["s"].nunique()     # různé hodnoty
df.isna().sum(); df.duplicated().sum()  # díry a kopie
df["s"].str.strip().str.lower()         # sjednocení textu
pd.to_numeric(df["s"].str.replace(",", ".", regex=False))
df.describe()                           # souhrn čísel

q1, q3 = s.quantile(0.25), s.quantile(0.75)
s[(s < q1 - 1.5 * (q3 - q1)) | (s > q3 + 1.5 * (q3 - q1))]  # odlehlé

pd.crosstab(df["a"], df["b"])           # počty kombinací
df.pivot_table(index="a", columns="b", values="x", aggfunc="mean")

vahy = df["a"].value_counts(normalize=True)
(df[df["b"] == "B"].groupby("a")["x"].mean() * vahy).sum()  # standardizace
# Pořadí: sjednotit, pak mazat duplicity. Medián je odolnější než průměr.
# Dva hrby = dvě skupiny. Rozděl data dřív, než je zprůměruješ.