Analisis Data Eksplorasi menggunakan Perpustakaan Python

Halo pengguna, saya menulis blog ini berdasarkan pembelajaran saya sebelumnya tentang analisis dan eksplorasi data menggunakan pustaka python yang dapat membantu Anda memperoleh wawasan data secara terprogram tanpa menggunakan excel

Dalam dunia transformasi digital, setiap pelanggan ingin mengotomatiskan keputusan bisnis mereka berdasarkan keterlibatan pelanggan dan data perilaku dengan menganalisis perilaku masa lalu mereka.

Perilaku ini dianalisis menggunakan analisis deskriptif dan analisis prediktif.

Analitik deskriptif adalah proses menggunakan data terkini dan historis untuk mengidentifikasi tren dan hubungan .

Terutama insinyur ilmu data dan insinyur ML menggunakan statistik deskriptif untuk membaca tentang data dan menganalisisnya yang merupakan proses pertama untuk membuat model pembelajaran atau model klasifikasi

Di sini saya menyebutkan beberapa pustaka python yang dapat membantu Anda membaca dan menganalisis statistik data.

Langkah pertama adalah menginstal python di sistem Anda menggunakan tautan ini jika Anda belum menginstal python

Saya menyarankan Anda menginstal anaconda Navigator dan menggunakan kernel Jupyter untuk ini

Selanjutnya, Anda perlu membuat kumpulan data Anda atau Anda juga dapat mengunduh kumpulan data apa pun darihttps://www.kaggle.com/

Muat perpustakaan

import numpy             as np
import pandas            as pd
import scipy.stats       as stats
import matplotlib.pyplot as plt
import seaborn as sns

df=pd.read_csv('basket.csv')
df.head()

df.shape

df.info()

Berarti

print("Data:",df.mean())  # print the mean of each attribute. Ignore "Serial No. as it is not a continuous variable"

print("Data:",df.median())  # print the mean of each attribute. Ignore "Serial No. as it is not a continuous variable"

print("Data:",df.mode())  # print the mean of each attribute. Ignore "Serial No. as it is not a continuous variable"

print("Data_quantile(25%):",df.quantile(q=0.25))

print("Data_quantile(50%):",df.quantile(q=0.5))

print("Data quantile(75%):",df.quantile(q=0.75))

print("Data standard deviation:",df.std())

print("Data variance :",df.var())

print("Data summary:",df.describe())

print("Data info:",df.info())

print("Data covariance:",df.cov())

print("Data correlation:",df.corr())

data_column = df['column_name']

Di blog berikutnya, saya akan menyebutkan bagian 2 dari analisis data eksplorasi menggunakan pustaka grafik sebagai SNS dan maxplotlib di mana Anda dapat mempelajari tentang analisis plot sebagai uni-variat, bi-variat, dan multi-variat untuk data yang diberikan.

Kesimpulan

Setelah membaca blog ini, pengguna seharusnya dapat melakukan analisis data dasar menggunakan API python. Pengguna terbiasa dengan fitur deskriptif data serta memvisualisasikan data menggunakan fungsi API di atas.