Curso de Manejo de Datos Faltantes: Imputación

_{Este proyecto fue hecho en VS Code con Jupyter Notebooks. Por Dennis.}

Este repositorio está relacionado al curso de "Curso de Manejo de Datos Faltantes: Imputación" tomado en Platzi. Además, contiene archivos "ipynb" y "html" con los códigos desarrollados en el curso y explicaciones por cada archivo.

Acerca de

Al detectar y explorar valores faltantes en datasets, podrás enriquecerlos a través de la imputación de datos. De esta manera, podrás ejecutar análisis con mejor información. En este curso aprenderás cómo tratar variables y ejecutar el método de imputación adecuado para tu conjunto de datos.

Notebook

Examen

Temario

Problemática de valores faltantes

• El problema de trabajar con valores faltantes

• Proceso de análisis y limpieza de datos

• Visualizar y eliminar valores faltantes

• Implicaciones de los distintos tipos de valores faltantes

• Amplía tu conjunto de herramientas para explorar valores faltantes

• Tratamiento de variables categóricas para imputación: codificación ordinal

• Tratamiento de variables categóricas para imputación: one-hot encoding

• Métodos de imputación de valores faltantes

Imputación basada en el donante

• Imputación por media, mediana y moda

• Imputación por llenado hacia atrás y hacia adelante

• Imputación por interpolación

• Imputación por KNN

• Imputación por KNN en Python

Imputación basada en modelos

• Introducción a la imputación basada en modelos

• Imputaciones Múltiples por Ecuaciones Encadenadas (MICE)

Conclusión

• Transformación inversa de los datos

• ¿Cómo continuar practicando?