Sissejuhatus andmete analüüsi
Selles artiklis näeme andmete analüüsi tüüpide ülevaade. 21. sajandi ajastul võib kõige tähelepanuväärsem muudatus olla see, kuidas andmed said osaks meie otsuste tegemise süsteemist igas eluvaldkonnas. Pole kahtlust, et andmed on iga sektori uus õli. Nüüd, mil peaaegu lõpmatu ribalaius suureneb, tuleb uusi väljakutseid, kuidas me seda tohutut andmemahtu tõhusalt kasutame ja nendest olulisi teadmisi saame. Koos andmete ulatusliku suurenemisega kasvab ka müra järk-järgult, andmete analüüs on mitmesuguste metoodikate ja mõtteviisi kogum, et saadaolevatest andmetest parimat kasu saada ja töötlemata andmed teisendada mingiks äriliseks või sotsiaalseks väärtuseks.
Andmete analüüsi tüübid
Kasutatava metoodika põhjal võib andmete analüüsi jagada neljaks osaks:
- Kirjeldav analüüs
- Uurimisandmete analüüs
- Ennustav analüüs
- Inferentsanalüüs
1. Kirjeldav analüüs
Kirjeldav analüüs on numbriline viis andmete kohta ülevaate saamiseks. Kirjeldavas analüüsis saame numbriliste muutujate kokkuvõtliku väärtuse. Oletame, et analüüsite autotootja müügiandmeid. Kirjeldava analüüsi kirjanduses otsite selliseid küsimusi nagu autotüübi keskmine müügihinna tüüp, viis, milline oli teatud tüüpi autotüübi müügist saadav tulu jne. Saame keskne tendents ja andmete arvmuutujate hajutamine seda tüüpi analüüsi kasutades. Enamikul praktilistest andmeteaduste kasutamise juhtudest aitab kirjeldav analüüs teil saada andmete kõrgetasemelist teavet ja andmekogumiga harjumist. Kirjeldava analüüsi olulised terminid on:
- Keskmine (kõigi numbriloendis olevate numbrite keskmine)
- Režiim (kõige sagedasem number numbriloendis)
- Keskmine (numbriloendi keskmine väärtus)
- Standardhälve (väärtuste kogumi variatsiooni summa keskmisest väärtusest)
- Variatsioon (standardhälbe ruut)
- Kvartiilidevaheline vahemik (väärtused numbriloendis vahemikus 25–75 protsentiili)
Püütonis pakub pandase raamatukogu meetodit kirjeldada, mis pakub kirjeldavat teavet andmeraami kohta. Kasutame ka muid raamatukogusid, näiteks statistikamudelit või saame vastavalt oma koodile välja töötada koodi.
2. Uurimisandmete analüüs
Erinevalt kirjeldavast andmeanalüüsist, kus me analüüsime andmeid numbriliselt, on uuriv andmete analüüs visuaalne viis andmete analüüsimiseks. Kui meil on kirjeldava analüüsi kaudu käepärastest andmetest põhiteadmised, liigume uurimusliku andmete analüüsi juurde. Samuti võime jagada uurimusliku andmete analüüsi kaheks osaks:
- Erinevate variatsioonide analüüs (ühe muutuja omaduste uurimine)
- Mitmemõõtmeline analüüs (mitme muutuja võrdlev analüüs, kui võrrelda kahe muutuja korrelatsiooni, nimetatakse seda kahe muutujaga analüüsi)
Andmeanalüüsi visuaalsel viisil kasutame andmete analüüsimiseks mitmesuguseid graafikuid ja graafikuid. Üksiku muutuja analüüsimiseks (ühe muutujaga analüüs) saame kasutada tulpdiagrammi, histogramme, viski graafikut viskiga, viiulitükki jne. Mitmemõõtmeliseks analüüsiks kasutame hajuvusgraafikut, kontuurgraafikuid, mitmemõõtmelisi graafikuid jne.
Kuid miks me vajame uuritavat andmete analüüsi?
- Uuritav andmete analüüs annab andmete kirjeldamiseks visuaalse viisi, mis aitab andmete omadusi selgemalt tuvastada.
- See aitab meil tuvastada, millised funktsioonid on olulisemad. See on eriti kasulik, kui käsitleme suure mõõtmega andmeid. (st sellised meetodid nagu PCA ja t-SNE aitavad mõõtmeid vähendada).
- See on tõhus viis juhtivtöötajatele ja mittetehnilistele pinuomanikele selgitada tekkinud tulemust.
Pythonis on uuritavate andmete analüüsi tegemiseks palju raamatukogusid. Nende hulgas on populaarseimad Matplotlib, Seaborn, Plotly, Bokeh jne.
3. Ennustav analüüs
Mis juhtub, kui teame ette vigu, mida tulevikus teeme? Püüame neid õigusi vältida? Ennustav analüüs ei ole midagi muud kui kõige teaduslikum viis tuleviku tulemuste ennustamiseks ajaloosündmuste analüüsimisel. Andmeteaduse keskmes on ennustav analüüs. Ennustav analüüs aitab meil vastata järgmistele küsimustele: "Kas me saame ennustada, kas ostja ostab konkreetse toote või mitte?" Või „Kas saame hinnata kogumaksumust, mida kindlustusandja peab nõuete eest maksma? "Või" Kas saame eelseisval mussoonil sademete hulka hinnata? "
Ennustav analüüs aitab meil anda oluliste küsimuste ligikaudse või tõenäolise tulemuse, mille tulemuseks on massilised äri- ja sotsiaalmajanduslikud muutused. Masinõppe mudelid töötatakse välja ajalooliste andmete põhjal, et ennustada sarnaste nähtamatute tulevaste sündmuste tulemusi.
4. Sissejuhatav analüüs
Inferentsanalüüs on andmeteaduse kirjandus, samal ajal kui me ennustame mitme sektori referentstulemust. Näiteks tarbijahinnaindeksi või ühe inimese sissetuleku tuletamine. Iga tarbijani ükshaaval jõudmine ja arvutamine pole teostatav. Selle asemel võtame elanikkonnast teaduslikult proove ja statistilise analüüsi abil saame indeksi.
Järeldus
Selles artiklis oleme arutanud andmeanalüüsi erinevaid metoodikaid. Kas peame kasutama kõiki neid meetodeid või saame kasutada mõnda neist? Noh, nüüd põhineb see rakenduse kasutusjuhul ja domeenil. Kuid enamasti alustame kirjeldava ja uuritava andmete analüüsiga ning töötame tulevikutulemuste ennustamiseks välja ennustusmudeleid.
Soovitatavad artiklid
See on juhend andmete analüüsi tüüpide kohta. Siin käsitleme lühikest ülevaadet andmeanalüüsist ja erinevatest metoodikatest, mis põhinevad rakenduse kasutusjuhtumil ja domeenil. Lisateavet leiate ka meie soovitatud artiklitest -
- 8 parimat tasuta andmeanalüüsi tööriista
- Sissejuhatus andmete analüüsimeetodite tüüpidesse
- Andmeanalüüs vs. andmete analüüs - peamised erinevused
- Õppige andmete integreerimise kontseptsiooni