Python Avanzado

PRECIO: 300 €

PRECIO SOCIOS CLUSTER TECNOLOGICO GAIA: 260 €

OBJETIVO DEL CURSO 

• Análisis de datos (Pandas Profiling, Sweetwiz, D-Tale)
• Preparación datos con Numpy y Pandas (Data Wrangling).
• Casos prácticos.
• Valores perdidos.
• Generación de variables dummy.
• Outliers.
• Subconjuntos de datos y filtrado de datos.
• Agrupaciones de datos por categorías.
• Agregaciones y tablas dinámicas.
• Uniones de datos.

DURACIÓN   15 horas. 

HORARIO: 6,8,10 Y 13 de junio de 9:00 a14:00 horas

TEMARIO

1. Unión de tablas:
   1. Concatenación de tablas.
   2. Unión de tablas en función de una o varias variables:
      1. Left join
      2. Right join.
      3.  Inner join.
      4. Outer join.
   3. Ejercicios prácticos.
2. Modificaciones avanzadas:
   1. Selección de elementos únicos.
   2. Transformación de caracteres de forma individualizada.
   3. Transformación de caracteres de forma masiva.
   4. Transformación del formato de las variables.
   5. Ejercicios prácticos.
3. Transformación de tablas:
   1. Agregaciones simples.
   2. Agregaciones compuestas.
   3. Verticalización de tablas.
   4. Normalización de tablas.
   5. Ejercicios prácticos.
4. Filtrados:
   1. Eliminación de duplicados.
   2. Filtrado por valores.
   3. Filtrado por otra tabla.
   4. Filtrado por las observaciones de otra tabla.
   5. Selección de elementos diferentes.
   6. Filtrado por los valores de una variable de otra tabla.
   7. Ejercicios prácticos.
5. Tratamiento de valores perdidos:
   1. Definición y problemas de su no tratamiento.
   2. Eliminación de las observaciones.
   3. Imputación de estadísticos básicos: media, mediana y moda.
   4. Métodos de imputación múltiple (MICE).
   5. Ejercicios prácticos.
6. Outliers:
   1. Definición.
   2. Problemas de su no tratamiento.
   3. Eliminación de las observaciones
   4. Determinación de los outliers.
   5. Transformación de los outliers.
   6. Creación de nuevas variables dummy.
   7. Ejercicios prácticos.
7. Tratamiento de valores perdidos:
   1. Definición.
   2. Eliminación de las observaciones.
   3. Imputación de estadísticos básicos: media, mediana y moda.
   4. Métodos de imputación múltiple (MICE).
   5. Modelos para imputar variables.
   6. Ejercicios Prácticos