Natuurlijk! Hier is een stapsgewijze gids met Python-code en uitleg voor het schoonmaken en voorbereiden van je DataFrame: ```python import pandas as pd from sklearn.preprocessing import StandardScaler # Voorbeeld DataFrame (vervang dit door je eigen DataFrame) # df = pd.read_csv('jouw_data.csv') # Bijvoorbeeld # Stap 1: Ontdekken van ontbrekende waarden print("Ontbrekende waarden per kolom:") print(df.isnull().sum()) # Stap 2: Omgaan met ontbrekende waarden # Voor numerieke kolommen zoals 'Leeftijd', 'Inkomen', 'Score' kun je bijvoorbeeld de mediane waarde gebruiken for col in ['Leeftijd', 'Inkomen', 'Score']: median_value = df[col].median() df[col].fillna(median_value, inplace=True) # Voor categorische kolommen zoals 'Geslacht' kun je de modus gebruiken mode_geslacht = df['Geslacht'].mode()[0] df['Geslacht'].fillna(mode_geslacht, inplace=True) # Stap 3: Verwijderen van duplicaten initial_len = len(df) df.drop_duplicates(inplace=True) print(f"Verwijderd {initial_len - len(df)} duplicaten.") # Stap 4: Codering van categorische variabelen # 'Geslacht' naar numerieke waarden coderen df['Geslacht_Cod'] = df['Geslacht'].map({'Man': 0, 'Vrouw': 1}) # Als er andere categorische kolommen zijn, code ze op dezelfde manier # Stap 5: Normalisatie van numerieke variabelen scaler = StandardScaler() numerieke_kolommen = ['Leeftijd', 'Inkomen', 'Score'] df[numerieke_kolommen] = scaler.fit_transform(df[numerieke_kolommen]) # Resultaat bekijken print(df.head()) ``` **Uitleg bij elke stap:** 1. **Ontdekken van ontbrekende waarden:** We gebruiken `isnull().sum()` om te zien hoeveel ontbrekende waarden er per kolom zijn. 2. **Ontbrekende waarden invullen:** - Numerieke kolommen worden ingevuld met de mediane waarde, wat robuust is tegen uitschieters. - Categorische kolommen zoals 'Geslacht' worden ingevuld met de modus (meest voorkomende waarde). 3. **Duplicaten verwijderen:** `drop_duplicates()` verwijdert rijen die exact hetzelfde zijn als eerdere rijen. 4. **Categorische variabelen coderen:** 'Geslacht' wordt omgezet in numerieke waarden (bijvoorbeeld 0 voor Man, 1 voor Vrouw). Je kunt ook one-hot encoding gebruiken indien nodig. 5. **Normalisatie:** Numerieke variabelen worden genormaliseerd met `StandardScaler` zodat ze vergelijkbare schaal krijgen, wat nuttig is voor veel machine learning-algoritmen. Deze stappen zorgen voor een schonere en beter voorbereide dataset voor verdere analyse of modellering.

Hier is een stapsgewijze handleiding om je DataFrame schoon te maken in het Nederlands: ## 1. Importeer benodigde bibliotheken ```python import pandas as pd import numpy as np from sklearn.preprocessing import LabelEncoder, StandardScaler ``` ## 2. Bekijk eerst je data ```python # Laad je DataFrame (vervang 'df' met je eigen variabelenaam) print("Eerste 5 rijen:") print(df.head()) print("\nData info:") print(df.info()) print("\nOntbrekende waarden per kolom:") print(df.isnull().sum()) print("\nAantal duplicaten:", df.duplicated().sum()) ``` ## 3. Verwijder duplicaten ```python # Verwijder volledig identieke rijen df_clean = df.drop_duplicates() # Optioneel: verwijder duplicaten gebaseerd op specifieke kolommen # df_clean = df.drop_duplicates(subset=['KlantID']) ``` ## 4. Behandel ontbrekende waarden ```python # Voor numerieke kolommen (Leeftijd, Inkomen, Score) - vul aan met mediaan df_clean['Leeftijd'].fillna(df_clean['Leeftijd'].median(), inplace=True) df_clean['Inkomen'].fillna(df_clean['Inkomen'].median(), inplace=True) df_clean['Score'].fillna(df_clean['Score'].median(), inplace=True) # Voor categorische kolom (Geslacht) - vul aan met meest voorkomende waarde most_common_gender = df_clean['Geslacht'].mode()[0] df_clean['Geslacht'].fillna(most_common_gender, inplace=True) ``` ## 5. Categorische data coderen (indien nodig) ```python # Label encoding voor Geslacht le = LabelEncoder() df_clean['Geslacht_encoded'] = le.fit_transform(df_clean['Geslacht']) # Optioneel: one-hot encoding # df_clean = pd.get_dummies(df_clean, columns=['Geslacht']) ``` ## 6. Normalisatie (optioneel, voor machine learning) ```python # Normaliseer numerieke features scaler = StandardScaler() numerieke_kolommen = ['Leeftijd', 'Inkomen', 'Score'] df_clean[numerieke_kolommen] = scaler.fit_transform(df_clean[numerieke_kolommen]) ``` ## 7. Controleer het resultaat ```python print("Data na cleaning:") print(df_clean.head()) print("\nOntbrekende waarden na cleaning:") print(df_clean.isnull().sum()) print("\nData types:") print(df_clean.dtypes) print("\nUnieke waarden in Geslacht:", df_clean['Geslacht'].unique()) ``` ## 8. Volledige cleaning functie ```python def clean_data(df): # Kopieer DataFrame om warnings te voorkomen df_clean = df.copy() # Verwijder duplicaten df_clean = df_clean.drop_duplicates() # Behandel ontbrekende waarden df_clean['Leeftijd'].fillna(df_clean['Leeftijd'].median(), inplace=True) df_clean['Inkomen'].fillna(df_clean['Inkomen'].median(), inplace=True) df_clean['Score'].fillna(df_clean['Score'].median(), inplace=True) most_common_gender = df_clean['Geslacht'].mode()[0] df_clean['Geslacht'].fillna(most_common_gender, inplace=True) return df_clean # Gebruik de functie df_final = clean_data(df) ``` **Belangrijke opmerkingen:** - Pas de strategie voor ontbrekende waarden aan op basis van je data - Controleer of KlantID uniek moet zijn voor elke rij - Sla de mapping van label encoding op als je deze later nodig hebt - Normalisatie is alleen nodig voor bepaalde machine learning algoritmes Deze stappen zorgen voor een schone, analyseklare dataset!