Beschrijvende en inferentiële statistiek

Enquètegegevens analyseren in Python

EbunOluwa Andrew

Data Scientist

Beschrijvende statistiek

Basismaat om enquêtedata te beschrijven
Voorbeelden: mean, median, mode, range, standard deviation etc.
.describe()

Foto door Lukas - grafiek van dichtbij

¹ Foto door Lukas

De functie .describe()

data.describe()

|      | year     | satisfaction_rating
|------|----------|--------------------
| count|       42 |                  42
| mean | 2012.381 |            7192.857
| std  |    4.196 |             945.178
| min  |     2006 |                5500
| 25%  |     2009 |                6325
| 50%  |   2012.5 |                7400
| 75%  |     2016 |                8000
| max  |     2019 |                8600

data.describe(include = np.object)

|        | category    |
|--------|-------------|
| count  | 42          |
| unique | 3           |
| top    | Residential |
| freq   | 14          |

.describe() interpreteren

Uitschieter = max > mean & median
Onwaarschijnlijke waarden = waarden zijn niet logisch

|       | year     | satisfaction_rating |
|-------|----------|---------------------|
| count |       42 |                  42 |
| mean  | 2012.381 |            7192.857 |
| std   |    4.196 |             945.178 |
| min   |     2006 |                5500 |
| 25%   |     2009 |                6325 |
| 50%   |   2012.5 |                7400 |
| 75%   |     2016 |                8000 |
| max   |     2019 |                8600 |

.describe() interpreteren

Top = modus = meest voorkomende klasse
Freq = aantal keer dat de hoogste klasse voorkomt

|        | category    |
|--------|-------------|
| count  | 42          |
| unique | 3           |
| top    | Residential |
| freq   | 14          |

.describe() op electric_satisfaction

import pandas as pd

electric_satisfaction = pd.read_csv("austin-energy-customer-satisfaction.csv")

.describe() op electric_satisfaction

electric_satisfaction.describe()

|      | year     | satisfaction_rating
|------|----------|--------------------
| count|       42 |                  42
| mean | 2012.381 |            7192.857
| std  |    4.196 |             945.178
| min  |     2006 |                5500
| 25%  |     2009 |                6325
| 50%  |   2012.5 |                7400
| 75%  |     2016 |                8000
| max  |     2019 |                8600

satisfaction_rating heeft uitschieters
50e percentiel = mediaan

.describe() op electric_satisfaction

|        | category    |
|--------|-------------|
| count  | 42          |
| unique | 3           |
| top    | Residential |
| freq   | 14          |

Modus = residentiële respondenten

Inferentiële statistiek

Bepaal of data toepasbaar is op de grotere populatie
Steekproef < populatie -> steekproeffout
Schat populatieparameters
- Betrouwbaarheidsintervallen
  - norm.interval()-functie

Foto door Andrea Piacquadio op Pexels - vrouw met gloeilamp

¹ Foto door Andrea Piacquadio op Pexels

De functie norm.interval()

Voor grote datasets
Neem aan: steekproefverdeling van het gemiddelde is normaal

import scipy.stats
scipy.stats.norm.interval(alpha, loc, scale)

alpha = betrouwbaarheidsniveau
loc = steekproefgemiddelde
scale= standaardfout steekproef

norm.interval() op electric_satisfaction interpreteren

electric_satisfaction = pd.read_csv(
  "austin-energy-customer-satisfaction.csv")

conf_interval = st.norm.interval(
  alpha = 0.99,
  loc = np.mean(electric_satisfaction.satisfaction),
  scale=st.sem(electric_satisfaction.satisfaction))


print(conf_interval)

(6817.187361704269, 7568.526924010017)

Laten we oefenen!

Enquètegegevens analyseren in Python