Statystyki opisowe i wnioskowe

Analiza danych ankietowych w Pythonie

EbunOluwa Andrew

Data Scientist

Statystyki opisowe

Podstawowa miara opisu danych ankietowych
Przykłady: średnia, mediana, dominanta, rozstęp, odchylenie standardowe
.describe()

Zdjęcie autorstwa Lukasa – zbliżenie na wykres

¹ Photo by Lukas

Funkcja .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          |

Interpretacja .describe()

Wartość odstająca = max > średnia i mediana
Wartości nieprawdopodobne = wartości nielogiczne

|       | 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 |

Interpretacja .describe()

Top = dominanta = najczęściej występująca klasa
Freq = liczba wystąpień najczęstszej klasy

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

.describe() na electric_satisfaction

import pandas as pd

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

.describe() na 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 zawiera wartości odstające
1. percentyl = mediana

.describe() na electric_satisfaction

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

Dominanta = respondenci z kategorii Residential

Statystyki wnioskowe

Ocena, czy dane można uogólnić na większą populację
Rozmiar próby < rozmiar populacji -> błąd losowania
Szacowanie parametrów populacji
- Przedziały ufności
  - Funkcja norm.interval()

Zdjęcie autorstwa Andrei Piacquadio – kobieta trzymająca żarówkę

¹ Photo by Andrea Piacquadio on Pexels

Funkcja norm.interval()

Dla dużych zbiorów danych
Zakłada, że rozkład próbkowy średniej jest normalny

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

alpha = poziom ufności
loc = średnia próby
scale = błąd standardowy próby

Interpretacja norm.interval() na 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)

Czas na ćwiczenia!

Analiza danych ankietowych w Pythonie