Статистический анализ на Python | Часть 1 | Меры центра и разброса | Pandas, NumPy и Seaborn

Начните свой путь в статистическом анализе данных на Python с помощью этого доступного для начинающих руководства. В первой части нашей серии из 4 частей вы узнаете, как импортировать наборы данных с помощью Pandas, обрабатывать пропущенные данные и изучать базовые описательные статистики, такие как среднее значение, медиана, мода, дисперсия и стандартное отклонение. Узнайте, как визуализировать распределения с помощью гистограмм и диаграмм типа «ящик с усами», настраивать квантили и выявлять выбросы, используя мощные библиотеки, такие как NumPy, Matplotlib и Seaborn. Практические примеры помогут вам разобраться в ключевых концепциях, чтобы вы могли уверенно анализировать свои данные. Поддержите меня: BuyMeACoffee:
Patreon:   / dsfeorg   Ko-fi:
Подписывайтесь: Twitter:
Github:
Набор данных Iris:
Изучить визуализацию: Matplotlib:    • The Ultimate Guide to Matplotlib | Python   Seaborn:    • The Ultimate Guide to Seaborn | Plotting i...   Временные метки 00:00 Введение 01:12 Импорт наборов данных в Pandas 01:58 Обработка отсутствующих данных 02:22 Гистограмма 03:16 Среднее 03:38 Медиана 04:24 Мода 05:58 Среднее или медиана? 06:49 Выбросы 07:50 Дисперсия 09:25 Среднеквадратическое отклонение 09:50 Среднее абсолютное отклонение 10:11 Квантили и квартили 11:27 Диаграммы ящиков (box plot) 12:14 Визуализация диаграмм ящиков (box plot) 12:17 Настройка квантилей с помощью linspace() 13:11 Межквартильный размах (IQR) 13:29 Выбросы в диаграммах ящиков (box plot) 14:02 describe() в pandas #pythonforbeginners #dataanalysis #statistics #python #pythontutorial #pythonprogramming #numpy #numpytutorial #pandas #matplotlib #seaborn #datascience #machinelearning #visualization #boxplot #histogram #mean #median #mode #standarddeviation #allowliers #descriptivestatistics