Hello~大家好，今天學(xué)姐為同學(xué)們總結(jié)美國(guó)留學(xué)生introtodatascience相關(guān)基礎(chǔ)習(xí)題的分享，這期的內(nèi)容主要是教留學(xué)生如何正確進(jìn)行作業(yè)難點(diǎn)的分析整理，學(xué)姐整理了非常詳細(xì)的流程細(xì)節(jié)可以參考。

數(shù)據(jù)科學(xué)的關(guān)鍵元素有很多，從可視化到數(shù)據(jù)庫(kù)到python等等

可視化數(shù)據(jù)分布

數(shù)字?jǐn)?shù)據(jù)通常用平均的價(jià)值。例如，一所高中的質(zhì)量有時(shí)用一個(gè)數(shù)字來(lái)概括:標(biāo)準(zhǔn)化考試的平均分?jǐn)?shù)。偶爾會(huì)有第二個(gè)數(shù)字被報(bào)道標(biāo)準(zhǔn)偏差。例如，通過(guò)可能會(huì)看到一份報(bào)告稱得分為680±50(標(biāo)準(zhǔn)差)。該報(bào)告僅用兩個(gè)數(shù)字就概括了整個(gè)得分向量。這樣合適嗎?只看這個(gè)摘要而不看整個(gè)列表，我們會(huì)遺漏什么重要的信息嗎?

我們的第一個(gè)數(shù)據(jù)可視化構(gòu)建模塊是學(xué)習(xí)總結(jié)因子或數(shù)值向量的列表。通常，分享或探索這一總結(jié)的最佳方式是通過(guò)數(shù)據(jù)可視化。對(duì)象或數(shù)字列表最基本的統(tǒng)計(jì)概要是它的分布。一旦一個(gè)向量被總結(jié)為一個(gè)分布，就有幾種數(shù)據(jù)可視化技術(shù)來(lái)有效地傳遞這些信息。

變量類型

我們將使用兩種類型的變量:分類的和數(shù)字的。每一個(gè)都可以分為另外兩組:分類變量可以是序數(shù)的，也可以不是，而數(shù)值變量可以是離散的，也可以是連續(xù)的。

當(dāng)向量中的每個(gè)條目來(lái)自少數(shù)幾個(gè)組中的一個(gè)時(shí)，我們將數(shù)據(jù)稱為分類數(shù)據(jù)。兩個(gè)簡(jiǎn)單的例子是性別(男性或女性)和地區(qū)(東北、南方、中北部、西部)。一些分類數(shù)據(jù)可以排序，即使它們本身不是數(shù)字，例如辛辣(溫和、中等、熱)。在統(tǒng)計(jì)學(xué)教科書中，有序分類數(shù)據(jù)被稱為序數(shù)數(shù)據(jù)。

數(shù)字?jǐn)?shù)據(jù)的例子有人口規(guī)模、謀殺率和身高。一些數(shù)字?jǐn)?shù)據(jù)可以被視為有序分類的。我們可以進(jìn)一步將數(shù)值數(shù)據(jù)分為連續(xù)和離散。連續(xù)變量是那些可以取任何值的變量，例如高度，如果測(cè)量足夠精確的話。例如，一對(duì)雙胞胎可能分別為68.12英寸和68.11英寸。計(jì)數(shù)，如人口規(guī)模，是離散的，因?yàn)樗鼈儽仨毷钦麛?shù)。

分布函數(shù)

事實(shí)證明，在某些情況下，平均值和標(biāo)準(zhǔn)差幾乎是我們理解數(shù)據(jù)所需的全部。我們將學(xué)習(xí)數(shù)據(jù)可視化技術(shù)，這將有助于我們確定何時(shí)這兩個(gè)數(shù)字的總結(jié)是合適的。當(dāng)兩個(gè)數(shù)字不足夠時(shí)，這些相同的技術(shù)將作為一種替代。

對(duì)象或數(shù)字列表最基本的統(tǒng)計(jì)概要是它的分布。最簡(jiǎn)單的方法是將分布看作是一個(gè)包含許多條目的列表的緊湊描述。對(duì)于本書的讀者來(lái)說(shuō)，這個(gè)概念并不新鮮。

累積分布函數(shù)

不是絕對(duì)的數(shù)字?jǐn)?shù)據(jù)也有分布。一般來(lái)說(shuō)，當(dāng)數(shù)據(jù)不明確時(shí)，報(bào)告每個(gè)條目的頻率并不是一個(gè)有效的總結(jié)，因?yàn)榇蠖鄶?shù)條目都是唯一的。在我們的案例研究中，雖然幾名學(xué)生報(bào)告的身高為68英寸，但只有一名學(xué)生報(bào)告的身高為68.503937007874只有一個(gè)學(xué)生報(bào)告了身高68.8976377952756英寸。我們假設(shè)它們分別從174和175厘米轉(zhuǎn)換而來(lái)。

統(tǒng)計(jì)學(xué)教科書告訴我們，定義數(shù)字?jǐn)?shù)據(jù)分布的一個(gè)更有用的方法是定義一個(gè)函數(shù)來(lái)報(bào)告下面數(shù)據(jù)的比例 a對(duì)于的所有可能值 a。這個(gè)函數(shù)叫做累積分布函數(shù)(CDF)。在統(tǒng)計(jì)學(xué)中，使用以下符號(hào):

F(a)=鐠(x≤a)類似于頻率表對(duì)分類數(shù)據(jù)的作用，cdfd定義了數(shù)字?jǐn)?shù)據(jù)的分布。從圖中，我們可以看到16%的值低于65，因?yàn)?F(66)= 0.164，或者84%的值低于72，因?yàn)?F(72)= 0.841，以此類推。事實(shí)上，我們可以報(bào)告任意兩個(gè)高度之間的值的比例，比如說(shuō) a和 b，通過(guò)計(jì)算 F(b)?F(a)。這意味著，如果我們將上面的這個(gè)圖發(fā)送給ET，他將擁有重建整個(gè)列表所需的所有信息。轉(zhuǎn)述“一張圖片勝過(guò)千言萬(wàn)語(yǔ)”這句話，在這種情況下，一張圖片就像812個(gè)數(shù)字一樣信息豐富。

練習(xí)題：

1、數(shù)據(jù)集區(qū)域是一個(gè)分類變量，下面是它的分布:

最接近5%的州在中北部地區(qū)的比例是多少?

2.下列哪一項(xiàng)是正確的:

a.上圖是直方圖。

b.上圖只顯示了四個(gè)帶條形圖的數(shù)字。

c.類別不是數(shù)字，所以繪制分布圖沒有意義。

d.描述分布的是顏色，而不是線條的高度。

2、下圖顯示了男性身高的eCDF:

從上圖來(lái)看，75寸以下的男性比例是多少？

a.100%

b.95%

c.80%

d.72英寸

留求藝數(shù)據(jù)科學(xué)導(dǎo)論的相關(guān)專業(yè)在線輔導(dǎo)可以添加留求藝?yán)蠋熚⑿胚M(jìn)行一對(duì)一咨詢。留求藝專注輔導(dǎo)海外留學(xué)生在學(xué)習(xí)中遇到的各種問(wèn)題。