from sklearn import preprocessing
nhanes_transformed_df_aazg = nhanes_df.copy(deep=True)
label_encoder = preprocessing.LabelEncoder()
encoder_gender = label_encoder.fit_transform(nhanes_transformed_df_aazg.gender)
nhanes_transformed_df_aazg.gender = encoder_gender
nhanes_transformed_df_aazg.head()
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?
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Iniciar sesión
Tratamiento de variables categóricas para imputación: codificación ordinal
6/17Recursos
Aportes 4
Preguntas 1
Ordenar por:
me hubiera servido la codificación ordinal en el curso de EDA 🐠
Siento que estas clases han sido full técnicas y cargadas… nada fácil
Le cambió la voz?
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.