Statistiche descrittive e inferenziali

Analisi dei dati da sondaggio in Python

EbunOluwa Andrew

Data Scientist

Statistiche descrittive

Misure base per descrivere dati di sondaggi
Esempi: media, mediana, moda, range, deviazione standard, ecc.
.describe()

Foto di Lukas - grafico da vicino

¹ Foto di Lukas

Funzione .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          |

Interpretare .describe()

Outlier = valore max > media e mediana
Valori improbabili = valori non logici

|       | 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 |

Interpretare .describe()

Top = moda = classe più frequente
Freq = numero di occorrenze della classe più alta

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

.describe() su electric_satisfaction

import pandas as pd

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

.describe() su 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 ha outlier
50° percentile = mediana

.describe() su electric_satisfaction

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

Moda = rispondenti residenziali

Statistiche inferenziali

Capire se i dati si estendono alla popolazione
Campione < popolazione -> errore di campionamento
Stimare parametri di popolazione
- Intervalli di confidenza
  - funzione norm.interval()

Foto di Andrea Piacquadio su Pexels - donna con lampadina

¹ Foto di Andrea Piacquadio su Pexels

La funzione norm.interval()

Per dataset grandi
Si assume distribuzione normale della media campionaria

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

alpha = livello di confidenza
loc = media del campione
scale= errore standard del campione

Interpretare norm.interval() su electric_satisfaction

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)

Ayo berlatih!

Analisi dei dati da sondaggio in Python