Nel corso “Working with Categorical Data in Python,” ho affrontato una serie di concetti chiave che si rivelano fondamentali per un data scientist. L’obiettivo principale del corso era comprendere, manipolare e analizzare dati non numerici, come ad esempio il tipo di sangue o lo stato civile delle persone, che spesso contengono informazioni preziose.
In questo corso ho imparato a gestire le colonne di dati non numerici utilizzando il tipo di dati “category”; questo mi ha permesso di sfruttare al massimo le categorie presenti nei dati e ottenere interessanti statistiche di riepilogo raggruppando i dati in base a queste categorie. Ho imparato a impostare, aggiungere e rimuovere categorie, e ho acquisito la capacità di aggiornare, rinominare, combinare e riordinare categorie in modo da organizzare i dati in modo più efficiente. Questo è stato particolarmente utile per pulire e accedere ai dati all’interno dei miei DataFrame. Inoltre – cosa non trascurabile – l’utilizzo del tipo di dati ‘category’ può permettere un notevole risparmio in termini di memoria.
Una parte importante del corso è stata dedicata alla visualizzazione dei dati categorici utilizzando la libreria seaborn. Ho rivisto come creare visualizzazioni informative come grafici categorici, box plot, bar plot, point plot e count plot. Queste tecniche di visualizzazione sono state preziose per esplorare i dati categorici e ottenere una visione chiara delle statistiche di riepilogo relative alle colonne numeriche.
Infine, ho affrontato le sfide comuni nell’utilizzo dei dati categorici, imparando a superarle. Ho acquisito competenze nella codifica dei dati attraverso il label encoding e il one-hot encoding, tecniche essenziali per preparare i dati in vista dell’uso in algoritmi di machine learning.
In conclusione, questo corso mi ha fornito una solida base per lavorare con dati categorici in Python. Queste competenze non solo arricchiscono il mio curriculum come data scientist, ma mi permettono anche di sfruttare appieno il potenziale informativo dei dati non numerici, aprendo nuove opportunità per l’analisi e la scoperta di informazioni rilevanti.