Python Günlükleri'nin ikinci bölümü, Python'u öğrenmek için deneyimlerimi, düşüncelerimi ve mücadelelerimi ayrıntılarıyla anlattığım bir dizi.

Son on yıldır bir kayanın altında yaşamıyorsanız, Python temel bir veri bilimi endüstrisi haline gelen bir programlama dilidir. Python öğrenmek, bir süredir yapılacaklar listemde olan bir şey ve İspanya'daki yarı zamanlı öğretmenlik işim sayesinde nihayet çalışmaya ayıracak boş zamanım oldu!

Son yıllarda, işverenler artan sayıda Python'u benimsemeye başladı. R'ye kıyasla Python'un büyük ölçekli web uygulamaları , derin öğrenme ve makine öğrenimi için daha uygun olduğunu okudum . Makine öğrenimine olan ilgim ve genel olarak yeni teknikler ve teknolojiler öğrenme arzum, sanki birazcık Python bilmek sadece ilgi çekici değil, aynı zamanda gerekliymiş gibi görünüyor!

Not: Günün sonunda, kişinin programlama için tam bir seçim özgürlüğüne sahip olduğunu varsayarsak, cevap genellikle basittir: Önemli değil! Araçlar araçlardan başka bir şey değildir , bu nedenle amaca ve duruma göre dikkatli bir şekilde seçilmelidirler.

Bu projede aşağıdaki kavramları uyguladım:

• Jupyter Not Defteri Oluşturma
• .csv dosyasını içe aktarma
• Paketleri yükleme ve içe aktarma (Pandas, Numpy, Matplotlib, Seaborn)
• Temizleme verileri
• Verileri manipüle etme
• Temel çıkarımsal istatistiksel analiz çalıştırma
• Verileri özetleme
• Verileri görselleştirme (histogram, çubuk grafik, kutu çizimi)
• yorum oluşturma
• Veri görüntüleme formatını ayarlama
• Verileri Alt Kümeleme

Amerika Birleşik Devletleri'ndeki gözaltı tesislerinde hücre hapsine ilişkin verileri , İnternetten ilginç ve faydalı veri kümeleri bulmayı amaçlayan haftalık bir haber bülteni olan Data is Plural'dan buldum .

Verileri Manipüle Etme

Burada, önce en iyi 20 ülke için mahkûmların vatandaşlık sayılarını bularak mevcut verileri hızlı bir şekilde manipüle ettim. Daha sonra, belirli vatandaşlıkların yaygınlığını daha iyi görebilmek için bu sayıları yüzdelere çevirdim. Örneğin, Meksika vatandaşlığı bu veri kümesindeki gözaltı tesisi mahkumlarının üçte birinden fazlasını oluşturuyor! Jamaika vatandaşlığının yaygınlığı da dikkatimi çekti (%3,11). Ardından, aynı bilgileri görselleştiren hızlı bir çubuk grafik yaptım.

Verileri özetleme

Aşağıdaki resim, ilgilendiğimiz 'days_solitary' değişkenimizin özet istatistiklerini detaylandırıyor. Hücre hapsinde geçirilen ortalama süre 32,72 gündür. Medyan 20 gündür. Ortalama ve ortanca değerler çok farklı olduğu için, muhtemelen çarpık bir doğru dağılım vardır. Başka bir deyişle, hücre hapsinde çok fazla zaman geçiren ve ortalama süreyi yukarı çeken bazı mahkumlar var. Yayılma hücre hapsinde 0 günden 781 güne kadar uzanıyor.

Verileri görselleştirme (histogram, çubuk grafik, kutu çizimi)

Burada sahip olduğumuz ilk görselleştirme, temelde yukarıdaki özet istatistiklerin resim temsili olan bir histogramdır. 'tecrit_günleri' değişkeninin dağılımı sağa çarpıktır, yani kısa süreler için hücre hapsinde kalan çok sayıda mahkûm varken, uzun süreler boyunca hücre hapsinde kalan birkaç mahkûm olduğu anlamına gelir. Dağılım sağa çarpık olduğundan, ortalamanın medyandan daha büyük olduğu anlamına gelir çünkü aykırı değerler ortalamayı yukarı çekiyor.

İkinci görüntü, esas olarak histogramı düzleştiren ve hücre hapsinde geçirilen gün sayısının göreli yoğunluğunu gösteren bir yoğunluk grafiğidir. Üçüncü görüntü, kolayca karşılaştırılabilmeleri için ikinci görüntüyü birinci görüntünün üzerine bindirir.

Aşağıda, bir mahkûmun hücre hapsine konulmasının farklı sebeplerinin sayımını gösteren bir grafik bulunmaktadır. Disiplin nedenlerinin nedenlerin büyük çoğunluğunu oluşturduğunu görürken, 'Koruyucu Gözaltı: Diğer Tutukluların Güvenliği' ikinci sırada yer alıyor. Birinin hücre hapsine alınmasının çok sayıda tıbbi nedeni bana yapışıyor.

Aşağıda, her bir eyaletteki mahkumların sayısını gösteren Seaborn kullanılarak oluşturulan aynı çubuk grafik bulunmaktadır. Veri setinde en fazla mahkûmun Kaliforniya'da olduğunu, ardından Teksas, Arizona ve Georgia'nın geldiğini görüyoruz. İki çubuk grafik arasındaki tek fark, soldakinin varsayılan renklendirme temasına, sağdakinin ise özel yapılmış renklendirme temasına sahip olmasıdır. Burada amaç, Seaborn ile oluşturabileceğim temaları daha yakından tanımaktı! Genel bir kural olarak, çalışmamın daha erişilebilir olabilmesi için renk körü dostu renk paletlerine bağlı kalmaya çalışıyorum.

Aşağıda resmedilen kutu grafiğinde, hücrede geçirilen gün sayısının eyalete göre değişip değişmediğini görmek amacıyla mahkûmları hangi eyalette tutulduklarına göre gruplandırmak için Seaborn'u kullandım. Farklı eyaletlerin, bir mahkumun hücre hapsinde kalabileceği süreye ilişkin farklı yasaları olması mümkündür.

Genel yansımalar:

Son Python Günlüklerinden sonra, hemen jeo-uzamsal analize veya doğrusal regresyonlara geçmek istedim, ancak daha karmaşık bir şeye geçmeden önce temel Python kavramlarıyla daha rahat olmanın daha iyi olacağını fark ettim.

Veri bilimi dünyasına dalacağım ve tüm harika kitaplıkları ve teknikleri öğreneceğim için çok heyecanlıydım. Ancak, bu kitaplıkları kullanmayı düşünmeden önce, temel bilgileri güçlü bir şekilde anlamam gerektiğini hemen fark ettim. Veri bilimi söz konusu olduğunda, tıpkı birçok STEM alanı gibi, temel bilgileri anlamak bir evin temeli gibidir. Temel zayıfsa, evin geri kalanı çöker. Ancak sağlam bir temel ile her şeyi inşa etmek mümkündür.

İnsanlara ve topluluklara yardımcı olmak için kullanılabileceği tüm olası yollar nedeniyle bu veri kümesiyle çalışmak gerçekten tatmin ediciydi. Veri bilimi, özellikle gözaltı tesislerinde hücre hapsi gibi karmaşık konuların analizi söz konusu olduğunda, sosyal faydayı desteklemek için güçlü bir araç olabilir. Veri bilimcileri, makine öğrenimi ve istatistiksel analiz gibi teknikleri kullanarak, aksi takdirde gözden kaçabilecek kalıpları ve içgörüleri ortaya çıkarabilir. Örneğin, hücre hapsi bağlamında, veri bilimi, bireylerin tecrit altında geçirdikleri sürenin uzunluğu, akıl sağlıkları üzerindeki etkisi ve bu uygulamanın koşulları ve sonuçları hakkında büyük miktarda veriyi analiz etmek için kullanılabilir. hücre hapsi ve yeniden suç işleme arasındaki ilişki. Sonuç olarak, bu bilgi, hücre hapsinin kullanımını azaltmayı ve hapsedilenlerin koşullarını iyileştirmeyi amaçlayan politika ve savunuculuk çabalarını bilgilendirmek için kullanılabilir. Ek olarak, veri bilimi, bu çabaların zaman içindeki etkinliğini izlemek ve değerlendirmek için de kullanılabilir.

Artık ilk giriş seviyesi veri bilimi işimin peşinde olduğuma göre, Python'un temellerine odaklanarak uyguladığım becerilerin bana yardımcı olacağını biliyorum!

Python Günlükleri #3 için öğrenmek istediklerim:

Bir dahaki sefere, jeo-uzamsal verilerle kurcalayarak veya basit doğrusal regresyonlar çalıştırarak Python becerilerimi bir sonraki seviyeye taşımak istiyorum .

Kodumu görmek ister misin? → GitHub

Geçmiş deneyimlerimi görmek ister misin? → Linkedin