Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

Ruwe data is zelden klaar voor analyse. Vรณรณr je ook maar รฉรฉn visualisatie maakt of statistiek berekent, moet je de data opschonen. Deze notebook behandelt de meest voorkomende stappen:

  • Ontbrekende waarden detecteren en behandelen

  • Kolommen hernoemen en verwijderen

  • Types corrigeren (astype, to_datetime)

  • Duplicaten opsporen en verwijderen

  • Strings opschonen

Ontbrekende waardenยถ

Detectieยถ

Strategie 1: Rijen/kolommen verwijderenยถ

Strategie 2: Opvullen (imputeren)ยถ

De keuze van opvulstrategie hangt af van het datatype en de distributie:

  • Numerisch, symmetrisch โ†’ gemiddelde

  • Numerisch, scheef โ†’ mediaan

  • Categorisch โ†’ modus (meest voorkomende waarde)

Kolommen hernoemen en verwijderenยถ

Datatypes corrigerenยถ

astype() โ€” type omzettenยถ

pd.to_datetime() โ€” datums parserenยถ

Duplicatenยถ

Strings opkuisen via .str accessorยถ


Oefeningenยถ

Gebruik de Penguins-dataset: sns.load_dataset("penguins").

Oefening 1 โ€” Maak een kopie van de dataset (df = penguins.copy()). Bepaal welke kolommen ontbrekende waarden hebben en hoeveel. Verwijder vervolgens alle rijen met een NaN in bill_length_mm of bill_depth_mm.

Oefening 2 โ€” Vul de ontbrekende waarden in body_mass_g op met de mediaan per species (gebruik een groupby + transform). Controleer daarna dat er geen NaNโ€™s meer zijn in die kolom.

Oefening 3 โ€” Hernoem de kolommen bill_length_mm, bill_depth_mm, flipper_length_mm en body_mass_g naar respectievelijk bill_length, bill_depth, flipper_length en body_mass.

Oefening 4 โ€” Zet de kolom species om naar het Pandas category dtype. Zet body_mass_g om naar float32 in plaats van float64. Controleer de dtypes na.

Oefening 5 โ€” Maak een DataFrame met fictieve data die 3 duplicaten bevat. Detecteer de duplicaten, druk ze af, en verwijder ze.