Summary  
This chapter explains how to inspect and interpret column data types in a DataFrame using the dtypes attribute and shows why incorrect types (like numbers stored as text) must be detected and converted to enable numeric operations.

General domain of usage  
Data preprocessing for data analysis pipelines

Watch this video for a step-by-step walkthrough of how to check and interpret column types in a pandas DataFrame. You'll see how to use the `.dtypes` attribute, understand why certain columns may not be recognized as numeric, and learn how column types can impact your data preprocessing workflow.

Jos kohtaat sarakkeen `'Fare'`, huomaat, että numerot on erotettu `-`-merkillä. Tämä näyttää oudolta, eikö vain? Olemme tottuneet käyttämään `.`-merkkiä erottimena, ja Python ymmärtää vain pisteellä erotetut luvut. Tarkistetaan tämän sarakkeen tyyppi. Voit tehdä tämän käyttämällä attribuuttia `.dtypes`. Katso esimerkkiä sarakkeella `'Age'`.

import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic3.csv', index_col = 0)
print(data['Age'].dtypes)

**Selitys:**

`.dtypes`-syntaksi on yksinkertainen; käytät sitä joko sarakkeeseen tai koko aineistoon. Tässä tapauksessa tyyppi on **float64**.

Tämä kurssi sisältää runsaasti hyödyllisiä toimintoja tulevalle data-analyytikolle. Opit erilaisia tapoja tietojen poimimiseen ja voit jopa asettaa niille ehtoja. Tämän jälkeen tulet tutuksi tietojen ryhmittelymenetelmien kanssa. Lisäksi opit, kuinka esikäsitellä tietoja. Jokaisessa osiossa on oma tietoaineistonsa, joten kurssi on mukaansatempaava.

Tässä osiossa opit, kuinka voit tulostaa tiettyjä sarakkeita niiden nimien tai indeksien perusteella. Lisäksi tutustut tapoihin, joilla voit valita rivejä indeksien avulla.

Tässä opit, kuinka voit poimia dataa, jolla on tietyt ehdot. Opit myös, kuinka yhdistää näitä ehtoja ja jopa luoda omia ehtoja.

Tässä osiossa laajennat tietämystäsi erilaisten datan ehtojen asettamisesta. Opit tarkistamaan, onko datasi määritellyssä arvolistassa tai kahden arvon välillä. Opit myös löytämään suurimmat ja pienimmät arvot.

Tämä osio on yksi kurssin kiehtovimmista. Tässä opit ryhmittelemään dataa eri tavoilla. Tämä auttaa sinua työskentelemään data-analyytikkona ja löytämään tietoa tietyistä dataryhmistä.

Tämä osio on yksi tärkeimmistä data-analyytikolle, koska jos data sisältää puuttuvia arvoja tai on väärässä muodossa, sen kanssa työskentely on mahdotonta. Tässä opit käsittelemään tällaisia sopimattomia arvoja.

Sarakkeen Tyypin Tarkistaminen

Sarakkeen Tyypin Tarkistaminen