การวิเคราะห์ข้อมูลเชิงสำรวจโดยใช้ Python Libraries

สวัสดีผู้ใช้ ฉันกำลังเขียนบล็อกนี้ตามการเรียนรู้ก่อนหน้านี้ของฉันเกี่ยวกับการวิเคราะห์ข้อมูลและการสำรวจโดยใช้ไลบรารี่หลามซึ่งสามารถช่วยให้คุณได้รับข้อมูลเชิงลึกทางโปรแกรมโดยไม่ต้องใช้ excel

ในโลกของการเปลี่ยนแปลงทางดิจิทัล ลูกค้าแต่ละรายต้องการให้การตัดสินใจทางธุรกิจเป็นไปโดยอัตโนมัติโดยพิจารณาจากข้อมูลการมีส่วนร่วมของลูกค้าและข้อมูลพฤติกรรมโดยการวิเคราะห์พฤติกรรมที่ผ่านมา

พฤติกรรมนี้วิเคราะห์โดยใช้การวิเคราะห์เชิงพรรณนาและการวิเคราะห์เชิงคาดการณ์

การวิเคราะห์เชิงพรรณนาเป็นกระบวนการของการใช้ข้อมูลปัจจุบันและประวัติเพื่อระบุแนวโน้มและความสัมพันธ์

วิศวกรด้านวิทยาศาสตร์ข้อมูลและวิศวกร ML ส่วนใหญ่ใช้สถิติเชิงพรรณนาเพื่ออ่านข้อมูลและวิเคราะห์ข้อมูล ซึ่งเป็นกระบวนการแรกในการสร้างแบบจำลองการเรียนรู้หรือแบบจำลองการจัดหมวดหมู่

ที่นี่ฉันพูดถึงไลบรารี่หลามสองสามตัวที่สามารถช่วยคุณอ่านและวิเคราะห์สถิติข้อมูลได้

ขั้นตอนแรกคือการติดตั้ง python ในระบบของคุณโดยใช้ลิงค์นี้ หากคุณยังไม่ได้ติดตั้ง python

ฉันขอแนะนำให้คุณติดตั้ง anaconda Navigator และใช้เคอร์เนล Jupyter สำหรับสิ่งนี้

ถัดไป คุณต้องสร้างชุดข้อมูลหรือดาวน์โหลดชุดข้อมูลใดก็ได้จากhttps://www.kaggle.com/

โหลดไลบรารี

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()

หมายถึง

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']

ในบล็อกถัดไป ฉันจะกล่าวถึงส่วนที่ 2 ของการวิเคราะห์ข้อมูลเชิงสำรวจโดยใช้ไลบรารีกราฟเป็น SNS และ maxplotlib ซึ่งคุณสามารถเรียนรู้เกี่ยวกับการวิเคราะห์การลงจุดเป็นตัวแปรเดียว ไบตัวแปร และหลายตัวแปรสำหรับข้อมูลที่กำหนด

บทสรุป

หลังจากอ่านบล็อกนี้แล้ว ผู้ใช้ควรจะสามารถวิเคราะห์ข้อมูลพื้นฐานได้โดยใช้ python API ผู้ใช้ทำความคุ้นเคยกับคุณลักษณะเชิงบรรยายของข้อมูล ตลอดจนแสดงภาพข้อมูลโดยใช้ฟังก์ชัน API ข้างต้น