Analiza exploratorie a datelor

Înțelegerea științei datelor

Hadrien Lacroix

Content Developer at DataCamp

Ce este EDA?

Analiza exploratorie a datelor:

Explorarea datelor
Formularea ipotezelor
Evaluarea caracteristicilor
Vizualizarea

fotografie-john-tukey

Fluxul de lucru cu date

fluxul de lucru în știința datelor

Să intrăm direct în subiect

Dataset 1        Dataset 2        Dataset 3        Dataset 4        
|x    |y    |    |x    |y    |    |x    |y    |    |x    |y    |
|-----|-----|    |-----|-----|    |-----|-----|    |-----|-----|    
|10.0 |8.04 |    |10.0 |9.14 |    |10.0 |7.46 |    |8.0  |6.58 |
|8.0  |6.95 |    |8.0  |8.14 |    |8.0  |6.77 |    |8.0  |5.76 |
|13.0 |7.58 |    |13.0 |8.74 |    |13.0 |12.74|    |8.0  |7.71 |
|9.0  |8.81 |    |9.0  |8.77 |    |9.0  |7.11 |    |8.0  |8.84 |
|11.0 |8.33 |    |11.0 |9.26 |    |11.0 |7.81 |    |8.0  |8.47 |
|14.0 |9.96 |    |14.0 |8.10 |    |14.0 |8.84 |    |8.0  |7.04 |
|6.0  |7.24 |    |6.0  |6.13 |    |6.0  |6.08 |    |8.0  |5.25 |
|4.0  |4.26 |    |4.0  |3.10 |    |4.0  |5.39 |    |19.0 |12.50|
|12.0 |10.84|    |12.0 |9.13 |    |12.0 |8.15 |    |8.0  |5.56 |
|7.0  |4.82 |    |7.0  |7.26 |    |7.0  |6.42 |    |8.0  |7.91 |
|5.0  |5.68 |    |5.0  |4.74 |    |5.0  |5.73 |    |8.0  |6.89 |

Surpriză!

Toate cele patru seturi de date prezintă:

medie și varianță identice pentru x
medie și varianță identice pentru y
coeficient de corelație identic
ecuație de regresie liniară identică

Pe scurt: par destul de similare

Cvartetul lui Anscombe

cvartetul lui Anscombe

graficul liniar al lui Anscombe

graficul neliniar al lui Anscombe

regresia distorsionată a lui Anscombe

corelația distorsionată a lui Anscombe

două-rachete-aterizând-simultan

Cunoașterea datelor

Numărul zborului (număr)
Data (datetime)
Ora (UTC) (datetime)
Versiunea boosterului (text)
Locul de lansare (text)
Sarcina utilă (text)

Masa sarcinii utile (kg) (număr)
Orbita (text)
Clientul (text)
Rezultatul misiunii (text)
Rezultatul aterizării (text)

Previzualizarea datelor

Flight  Date         Time (UTC)  Booster Version  Launch Site     Payload
_______________________________________________________________________________________________________
1       2010-06-04   18:45:00    F9 v1.0 B0003    CCAFS LC-40    Dragon Spacecraft Qualification Unit
2       2010-12-08   15:43:00    F9 v1.0 B0004    CCAFS LC-40    Dragon demo flight C1, two CubeSats...
3       2012-05-22   7:44:00     F9 v1.0 B0005    CCAFS LC-40    Dragon demo flight C2+
4       2012-10-08   0:35:00     F9 v1.0 B0006    CCAFS LC-40    SpaceX CRS-1
5       2013-03-01   15:10:00    F9 v1.0 B0007    CCAFS LC-40    SpaceX CRS-2

Payload Mass (kg)    Orbit     Customer         Mission Outcome  Landing Outcome
_______________________________________________________________________________________________________
NaN                  LEO       SpaceX           Success          Failure (parachute)
NaN                  LEO (ISS) NASA (COTS) NRO  Success          Failure (parachute)
525                  LEO (ISS) NASA (COTS)      Success          No attempt
500                  LEO (ISS) NASA (CRS)       Success          No attempt
677                  LEO (ISS) NASA (CRS)       Success          No attempt

Statistici descriptive

        Flight  Date         Time (UTC)  Booster Version  Launch Site     Payload
_______________________________________________________________________________________________________
count   55     55            55          55               55              55
unique  55     55            53          51               4               55
top     6      2018-03-30    4:45:00     F9 v1.1          CCAFS LC-40     SES-9
freq    1      1             2           5                26              1

        Payload Mass (kg)    Orbit     Customer         Mission Outcome  Landing Outcome
_______________________________________________________________________________________________________
count   53                   55        55               55               55
unique  47                   8         28               2                12
top     9,600                GTO       NASA (CRS)       Success          No attempt
freq    5                    22        14               54               18

Vizualizați!

numărul_lansărilor_spacex

Puneți mai multe întrebări!

lansări-spacex-pe-site

Puneți mai multe întrebări!

lansări-spacex-după-rezultat

Valori aberante

histogramă-masă-sarcină-utilă-spacex

Să exersăm!

Înțelegerea științei datelor