Statistici descriptive

Introducere în Julia

James Fulton

Climate informatics researcher

Funcția describe

# Summarize the runs DataFrame
println(describe(df_run))

4×7 DataFrame
 Row | variable  mean      min     median  max        nmissing  eltype
     | Symbol    Union…    Any     Union…  Any        Int64     DataType
_____|__________________________________________________________________
   1 | day                 Monday          Wednesday         0  String
   2 | distance  3833.33   2000    4000.0  5000              0  Int64
   3 | time      23.6967   14.99   23.745  31.68             0  Float64
   4 | raining   0.666667  false   1.0     true              0  Bool

Statistici rezumative pe coloane

using statistics

Funcții în Statistics:

mean() - Calculează media unui array
median() - Calculează mediana unui array
std() - Calculează abaterea standard a unui array

var() - Calculează varianța unui array

# Calculate average of distance column
average_distance = mean(df_run[:, "distance"])

Alte funcții rezumative predefinite

sum() - Calculează suma unui array
minimum() - Calculează valoarea minimă dintr-un array
maximum() - Calculează valoarea maximă dintr-un array

total_distance = sum(df_run[:, "distance"])        # Returns 23000

minimum_distance = minimum(df_run[:, "distance"])  # Returns 2000

maximum_distance = maximum(df_run[:, "distance"])  # Returns 5000

Operații pe coloane

Pentru coloanele a și b ale DataFrame-ului df

Operație	Exemplu scalar	Exemplu array
Adunare	`df.a .+ 1`	`df.a .+ df.b` or `df.a + df.b`
Scădere	`df.a .- 1`	`df.a .- df.b` or `df.a - df.b`
Înmulțire	`2 .* df.a` or `2 * df.a`	`df.a .* df.b`
Împărțire	`df.a ./ 2` or `df.a / 2`	`df.a ./ df.b`

Calculul vitezei de alergare

# Convert distances to kilometers
distance_km = df_run.distance ./ 1000

# Convert run times to hours
time_hr = df_run.time ./ 60

println(distance_km)
println(time_hr)

[2.0, 5.0, 3.5, 3.0, 4.5, 5.0]
[0.25, 0.53, 0.37, 0.29, 0.42, 0.51]

6×4 DataFrame   
 Row | distance     time  ...
     |    Int64  Float64  ...
_____|__________________  ...
   1 |     2000    14.99  ...
   2 |     5000    31.68  ...
   3 |     3500    22.02  ...
   4 |     3000    17.25  ...
   5 |     4500    25.47  ...
   6 |     5000    30.77  ...

Calculul vitezei de alergare

# Convert distances to kilometers
distance_km = df_run.distance ./ 1000

# Convert run times to hours
time_hr = df_run.time ./ 60

# Run speed in km/hr
speeds = distance_km ./ time_hr


println(speeds)

[8.01, 9.47, 9.54, 10.43, 10.60, 9.75]

6×4 DataFrame   
 Row | distance     time  ...
     |    Int64  Float64  ...
_____|__________________  ...
   1 |     2000    14.99  ...
   2 |     5000    31.68  ...
   3 |     3500    22.02  ...
   4 |     3000    17.25  ...
   5 |     4500    25.47  ...
   6 |     5000    30.77  ...

Atribuirea coloanelor

# Assign run speeds to new column named "speed"
df_run[:, "speed"] = distance_km ./ time_hr

# Assign using dot form
df_run.speed = distance_km ./ time_hr

Atribuirea coloanelor

println(df_run)

6×4 DataFrame   
 Row | day     distance     time  raining    speed
     | String     Int64  Float64     Bool  Float64
_____|____________________________________________
   1 | Wednesday   2000    14.99     true     8.01
   2 | Monday      5000    31.68    false     9.47
   3 | Thursday    3500    22.02     true     9.54
   4 | Tuesday     3000    17.25     true    10.43
   5 | Thursday    4500    25.47    false    10.60
   6 | Monday      5000    30.77     true     9.75

Să exersăm!

Introducere în Julia