趋近智
数据科学导论
章节 1: 数据科学入门
数据科学的定义
数据科学的重要性
数据科学家的职责
必备技能概览
数据科学常用工具
章节 2: 认识数据基本知识
什么是数据？
结构化数据与非结构化数据
定量数据与定性数据
常见数据格式
理解数据属性和特征
元数据简介
章节 3: 数据科学流程
数据科学工作流程概述
明确问题或疑问
数据获取方法
数据准备概述
理解探索性数据分析
模型构建原理介绍
沟通发现
章节 4: 数据收集与准备
识别数据来源
导入数据
数据清洗简介
处理缺失值
识别潜在异常值
基本数据转换需求
动手实践：简单数据加载
章节 5: 进行基本数据分析
开始数据初步分析 (EDA)
计算汇总统计量
测量数据分散度
理解频率分布
区分相关性与因果关系
假设基本原理介绍
动手实践：计算基本统计量
章节 6: 数据可视化概览
数据可视化的目的
常见图表类型说明
选择合适的图表
有效可视化的原则
可视化工具概览
动手实践：制作基本图表
处理缺失值
这部分内容有帮助吗？
- Statistical Analysis with Missing Data, Roderick J. A. Little, Donald B. Rubin, 2019 Vol. 793 (John Wiley & Sons) DOI: 10.1002/9781119482260 - 本书详细介绍了缺失数据处理的理论基础和方法论，涵盖了各种缺失数据机制和插补技术。
- Python for Data Analysis, Wes McKinney, 2022 (O'Reilly Media) - 一本使用Python进行数据操作的实用指南，重点介绍了pandas库，对于识别、检查和管理数据集中的缺失值至关重要。
- Imputation of missing values, scikit-learn developers, 2024 - 官方文档，描述了scikit-learn处理缺失值的工具，包括
SimpleImputer和其他插补策略。 - Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 本书涵盖了机器学习管道中的数据预处理方法，并提供了如何有效处理缺失数据的例子。