3. Data exploration and cleaning

Question 1

df.shape()

Answer 1

Toont aantal rijen en kolommen

Question 2

df.info()

Answer 2

Toont aantal waarden per kolom, datatype, geheugen verbruikt

Question 3

df.describe()

Answer 3

gemiddelde, standaarddeviatie, min en max, kwartielen

Question 4

.value_counts()

Answer 4

Hoe vaak iets voorkomt

Question 5

.value_counts(normalize=true)

Answer 5

Aandeel/ proportie van iets

Question 6

.unique()

Answer 6

Toont de unieke waarden

Question 7

.countplot()

Answer 7

Toont visueel hoe vaak iets voorkomt in een staafdiagram

Question 8

df[‘x’].value_counts().plot.pie

Answer 8

Toont visueel hoe vaak iets voorkomt in een taartdiagram

Question 9

pd.crosstab(df[‘sex’], df[‘island’])

Answer 9

Vergelijkt gegevens in een tabel op basis van twee categorische variabelen (hier geslacht en eiland)

Question 10

pd.read_csv(…)

Answer 10

Leest het bestand en slaat het op

Question 11

df.head(10)

Answer 11

Toont de eerste 10 rijen van deze data frame

Question 12

df.isnull().sum()

Answer 12

Geeft een overzicht van alle missende waarde

Question 13

df = df[df.isnull().sum(axis=1) < 5]

Answer 13

Filtert rijen waarbij het aantal ontbrekende waarden kleiner is dan 5

Question 14

.dropna(axis=1)

Answer 14

Verwijdert kolommen die ten minste één NaN bevatten

Question 15

.SimpleImputer(strategy=mean)

Answer 15

Invullen van ontbrekende waarden met het gemiddelde

Question 16

Truncate

Answer 16

Waardes boven/onder een bepaalde grens worden als outliers gezien en verwijderd

Question 17

Winsorize

Answer 17

Waardes boven/onder een bepaalde grens worden als outliers gezien en vervangen door de grenswaarde

Question 18

Multicollinaerity

Answer 18

Wanneer 2 onafhankelijke variabele een hoge correlatie hebben, verstoort het andere metingen

Question 19

sns.heatmap(df.corr(numeric_only=true))

Answer 19

Nummerieke kolommen worden voorgesteld in een heatmap

Question 20

ons.pairplot(df,hue=”species”,height=1,5)

Answer 20

Visualiseert de relatie tussen soort en lengte in een pairplot