Python-ohjelmointikieli lukuisine ohjelmakirjastoineen on monessa mielessä joustavampi ja tehokkaampi tapa datojen analysointiin kuin Excel, SPSS tai muut valmisohjelmistot.
Akin Python-blogin artikkeleilla yritän madaltaa aloittelijan ylitettävänä olevia kynnyksiä:
- Asenna Anaconda – Anaconda sisältää kaiken tarvittavan datojen analysointiin.
- Jupyter – kätevä väline Python-ohjelmien kirjoittamiseen ja ajamiseen.
- Dataframe – analysoitava data tallennetaan dataframe-tietorakenteeseen.
- Avaa data dataframeen – Excel- ja csv-muotoisten aineistojen avaaminen dataframeen.
- Temppuja dataframe-tietorakenteella – opit muiden muassa laskemaan tilastollisia tunnuslukuja ja frekvenssejä.
- Ryhmittelyjä groupby-toiminnolla – opit laskemaan tilastollisia tunnuslukuja toisten muuttujien määräämissä ryhmissä.
- Tunnuslukuja Exceliin – laske tunnuslukuja ja kirjoita tulokset Exceliin.
- Frekvenssitaulukot Exceliin – laske aineiston kaikille muuttujille frekvenssitaulukot.
- Ristiintaulukointi – crosstab() – laske ristiintaulukoinnit crosstab-toiminnolla.
- Luokiteltu jakauma – luokittele määrällinen muuttuja ennen frekvenssien tai tilastollisten tunnuslukujen laskemista.
- Lukumääriä ja prosentteja – näin lasket lukumäärä- ja prosenttiyhteenvetoja eri tyyppisissä tilanteissa value_counts– ja pd.crosstab -funktioilla.
- Pylväskaavioita Pythonilla – yleisimmät pylväskaavion käyttötapaukset.
- Merkitsevyystestausta Pythonilla – yleisimmät testit tilastollisen merkitsevyyden testaamiseen.
- Pivot-taulukoita Pythonilla – erilaisten datojen raportointi helposti pivot_table-toiminnolla.
- Kuviot Pythonilla 1 – matplotlib.pyplot -kirjaston käytön alkeita.
- Kuviot Pythonilla 2 – pylväskuvioita seaborn-kirjastoa käyttäen.
- Datan pika-analyysi Pythonilla – kaikki frekvenssitaulukot, ristiintaulukoinnit ja keskeiset tunnusluvut nopeasti.
Mainokset
