Deskriptiv och inferentiell statistik

Analysera enkätdata med Python

EbunOluwa Andrew

Data Scientist

Deskriptiv statistik

Grundläggande mått för att beskriva enkätdata
Exempel: medelvärde, median, typvärde, spridning, standardavvikelse m.m.
.describe()

Foto av Lukas – diagram på nära håll

¹ Foto av Lukas

Funktionen .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          |

Tolka .describe()

Extremvärde = maxvärde > medelvärde och median
Osannolika värden = värden som inte är logiska

|       | 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 |

Tolka .describe()

Top = typvärde = den vanligaste klassen
Freq = antal förekomster av den vanligaste klassen

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

.describe() på electric_satisfaction

import pandas as pd

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

.describe() på 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 har extremvärden
50:e percentilen = median

.describe() på electric_satisfaction

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

Typvärde = bostadssvarande (Residential)

Inferentiell statistik

Avgör om data kan tillämpas på en större population
Urvalsstorlek < populationsstorlek → urvalsfel
Skatta populationsparametrar
- Konfidensintervall
  - Funktionen norm.interval()

Foto av Andrea Piacquadio på Pexels – kvinna håller glödlampa

¹ Foto av Andrea Piacquadio på Pexels

Funktionen norm.interval()

För stora datamängder
Förutsätter att samplingfördelningen för medelvärdet är normalfördelad

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

alpha = konfidensnivå
loc = urvalets medelvärde
scale = urvalets standardfel

Tolka norm.interval() på 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)

Nu kör vi en övning!

Analysera enkätdata med Python