Summary  
This chapter covers using string replacement on column values with `.str.replace()` and converting column types to numeric with `.astype()`.  

General domain of usage  
Data cleaning

Du fick alltså resultatet `object`. Detta innebär att kolumnens typ är icke-numerisk, men för att beräkna nödvändiga värden måste kolumnen vara numerisk. Låt oss ändra på det.
1. Först behöver vi ersätta `-` med `.`. För att göra detta använder du metoden `.str.replace()` för att ersätta tecknet i strängen i datamängdens kolumn. Syntaxen är  
`data['column_name'].str.replace('old_symbol','new_symbol')`  
I vårt fall är `old_symbol` `-`, och `.` är `new_symbol`;
2. Konvertera sedan kolumnen till float-`data`-typ. För att göra detta, använd metoden `.astype()`. Syntaxen är `data['column_name'].astype('type')`.  
I vårt fall är typen `'float'`.

Denna kurs innehåller många användbara funktioner för en blivande dataanalytiker. Du kommer att lära dig olika sätt att extrahera data och även sätta villkor på den. Därefter kommer du att bli bekant med metoder för att gruppera data. Du kommer också att lära dig hur man förbehandlar data. Varje avsnitt har sin egen datamängd, vilket gör kursen engagerande.

Detta avsnitt lär dig hur du kan visa specifika kolumner med hjälp av deras titlar eller index. Du kommer även att bekanta dig med metoder för att välja rader baserat på index.

Här kommer du att lära dig hur du extraherar data som uppfyller specifika villkor. Du kommer även att lära dig hur du kombinerar dessa och till och med skapa egna.

I det här avsnittet kommer du att fördjupa dina kunskaper om att ange olika datavillkor. Du kommer att lära dig att kontrollera om dina data finns i en definierad lista av värden eller mellan två värden. Du kommer även att lära dig hur du hittar de största och minsta värdena.

Detta avsnitt är ett av de mest fascinerande i kursen. Här får du lära dig hur man grupperar data på olika sätt. Det hjälper dig att arbeta som dataanalytiker för att ta fram information om specifika datagrupper.

Detta avsnitt är ett av de mest betydelsefulla för en dataanalytiker eftersom det blir omöjligt att arbeta med data om den innehåller saknade värden eller felaktigt format. Här lär du dig hur du hanterar sådana olämpliga värden.

Hantering av en Felaktig Kolumn

Lösning

Awesome!

Hantering av en Felaktig Kolumn

Lösning