คอร์ส
การวิเคราะห์ข้อมูลเชิงสำรวจด้วย Python
ระดับกลางระดับทักษะ
อัปเดตแล้ว 04/2569
PythonExploratory Data Analysis4 ชม.14 วิดีโอ49 แบบฝึกหัด4,150 XP110K+ใบรับรองความสำเร็จ
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
การดำเนินการต่อหมายความว่าคุณยอมรับข้อกำหนดการใช้งาน และนโยบายความเป็นส่วนตัวของเรา รวมถึงการจัดเก็บข้อมูลของคุณในสหรัฐอเมริกา
เป็นที่รักของผู้เรียนในบริษัทหลายพันแห่ง
กำลังฝึกอบรมทีม?
ลองใช้สำหรับธุรกิจคำอธิบายคอร์ส
โดยใช้ข้อมูลเกี่ยวกับอัตราการว่างงานและราคาตั๋วเครื่องบิน จะได้ฝึกใช้ Python เพื่อสรุปและตรวจสอบความถูกต้องของข้อมูล คำนวณ ระบุ และแทนที่ค่าที่หายไป รวมถึงทำความสะอาดข้อมูลทั้งประเภทตัวเลขและหมวดหมู่ ตลอดทั้งคอร์สจะได้สร้างกราฟด้วย Seaborn เพื่อทำความเข้าใจตัวแปรและความสัมพันธ์ระหว่างกัน
นอกจากนี้ คอร์สยังจะแสดงให้เห็นว่าผลการสำรวจข้อมูลเชิงสำรวจสามารถต่อยอดสู่กระบวนการทำงานด้านวิทยาศาสตร์ข้อมูลได้อย่างไร ไม่ว่าจะเป็นการสร้างฟีเจอร์ใหม่ การจัดสมดุลฟีเจอร์ประเภทหมวดหมู่ และการตั้งสมมติฐานจากสิ่งที่ค้นพบ
เมื่อจบคอร์สนี้ จะมีความมั่นใจในการทำการวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) ด้วย Python ได้ด้วยตนเอง รวมถึงสามารถนำเสนอผลการวิเคราะห์ด้วยภาพ และเสนอแนวทางถัดไปในการดึงข้อมูลเชิงลึกจากข้อมูลได้วิดีโอมีคำบรรยายสดที่สามารถเปิดดูได้โดยคลิก "Show transcript" ที่มุมล่างซ้ายของวิดีโอ ดูอภิธานศัพท์ของคอร์สได้ที่ส่วนทรัพยากรทางด้านขวาเพื่อรับหน่วยกิต CPE ต้องทำคอร์สให้ครบและได้คะแนนอย่างน้อย 70% ในแบบทดสอบที่กำหนด สามารถไปยังแบบทดสอบได้โดยคลิกที่ส่วน CPE credits ทางด้านขวา
ข้อกำหนดเบื้องต้น
Introduction to Statistics in PythonIntroduction to Data Visualization with Seaborn1
ทำความรู้จักชุดข้อมูล
จะเริ่มต้น��ับชุดข้อมูลใหม่ได้อย่างไร? เรียนรู้การตรวจสอบความถูกต้องและสรุปข้อมูลทั้งประเภทหมวดหมู่และตัวเลข พร้อมสร้างกราฟด้วย Seaborn เพื่อสื่อสารสิ่งที่ค้นพบ
2
การทำความสะอาดข้อมูลและการประมาณค่าที่หายไป
การสำรวจและวิเคราะห์ข้อมูลมักต้องรับมือกับค่าที่หายไป ประเภทข้อมูลที่ไม่ถูกต้อง และค่าผิดปกติ ในบทนี้จะได้เรียนรู้เทคนิคในการจัดการปัญหาเหล่านี้เพื่อให้กระบวนการ EDA ราบรื่นยิ่งขึ้น
3
ความสัมพันธ์ในข้อมูล
ตัวแปรในชุดข้อมูลไม่ได้อยู่โดดเดี่ยว แต่ล้วนมีความสัมพันธ์ซึ่งกันและกัน ในบทนี้จะสำรวจความสัมพันธ์ระหว่างข้อมูลตัวเลข หมวดหมู่ และข้อมูล DateTime รวมถึงทิศทาง ความแข็งแกร่งของความสัมพันธ์ และวิธีแสดงผลด้วยกราฟ
4
ต่อยอดจากการวิเคราะห์เชิงสำรวจสู่การลงมือทำ
การวิเคราะห์ข้อมูลเชิงสำรวจเป็นขั้นตอนสำคัญในกระบวนการทำงานด้านวิทยาศาสตร์ข้อมูล แต่ยังไม่ใช่จุดสิ้นสุด บทนี้จะแนะนำเทคนิคและข้อควรพิจารณาเพื่อนำโปรเจกต์ก้าวต่อไปหลังจากสำรวจข้อมูลเสร็จแล้ว
การวิเคราะห์ข้อมูลเชิงสำรวจด้วย Python
คอร์สเสร็จสมบูรณ์ รับใบรับรองความสำเร็จ
เพิ่มใบรับรองนี้ไปยังโปรไฟล์ LinkedIn เรซูเม่ หรือ CV ของคุณแชร์บน social media และในการรีวิวผลการปฏิบัติงานของคุณลงทะเบียนทันที
ร่วมกับผู้เรียนกว่า 19 ล้านคนและเริ่มต้น การวิเคราะห์ข้อมูลเชิงสำรวจด้วย Python วันนี้!
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
การดำเนินการต่อหมายความว่าคุณยอมรับข้อกำหนดการใช้งาน และนโยบายความเป็นส่วนตัวของเรา รวมถึงการจัดเก็บข้อมูลของคุณในสหรัฐอเมริกา
พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile
พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา