Mittelwert und Median

In diesem Kapitel arbeitest du mit dem food_consumption-Datensatz des 2018 Food Carbon Footprint Index von nu3. Der Datensatz food_consumptionenthält die Anzahl der Kilogramm Lebensmittel, die pro Person und Jahr in jedem Land (country) konsumiert werden, die Lebensmittelkategorie (consumption) konsumiert und den CO₂-Fußabdruck (co2_emissions), gemessen in Kilogramm Kohlendioxid, oder CO₂.

In dieser Übung berechnest du Maße der zentralen Tendenz, um den Lebensmittelkonsum in den USA und Belgien zu vergleichen, indem du deine pandas- und numpy- Fähigkeiten einsetzt.

pandas wird als pd für dich importiert und food_consumption wird vorgeladen.

Diese Übung ist Teil des Kurses

Einführung in die Statistik in Python

Anleitung zur Übung

Importiere numpy mit dem Alias np.
Erstelle eine Teilmenge von food_consumption, um die Zeilen zu erhalten, in denen country 'USA' ist.
Berechne den Mittelwert der Lebensmittel consumption im usa_consumption-DataFrame, der bereits für dich erstellt wurde.
Berechne den Median der Lebensmittel consumption im usa_consumption-DataFrame.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import numpy with alias np
____

# Subset country for USA: usa_consumption
usa_consumption = ____

# Calculate mean consumption in USA
print(____)

# Calculate median consumption in USA
print(____)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Einführung in die Statistik in Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Die deskriptive Statistik gibt dir die Werkzeuge an die Hand, die du brauchst, um große Datensätze auf die wichtigsten Punkte zu reduzieren. In diesem Kapitel lernst du die deskriptive Statistik kennen, einschließlich des Mittelwerts, des Medians und der Standardabweichung, und erfährst, wie man sie richtig interpretiert. Außerdem entwickelst du Fähigkeiten zum kritischen Denken, damit du in der Lage bist, die beste deskriptive Statistik für deine Daten auszuwählen.

Exercise 1: Was ist Statistik?Exercise 2: Deskriptive und Inferenzstatistik Exercise 3: Klassifizierung von Datentypen Exercise 4: Maße der zentralen Tendenz Exercise 5: Mittelwert und Median

Aktuelle Übung

Exercise 6: Mittelwert vs. Median Exercise 7: Maße der Ausbreitung Exercise 8: Varianz und Standardabweichung Exercise 9: Quartile, Quantile und Quintile Exercise 10: Ausreißer mit IQR finden

In diesem Kapitel lernst du, wie du Zufallsstichproben erstellst und den Zufall mithilfe der Wahrscheinlichkeitsrechnung misst. Du arbeitest mit realen Verkaufsdaten, mit denen du die Erfolgswahrscheinlichkeit eines Verkäufers berechnest. Im Anschluss nutzt du die Binomialverteilung, um Ereignisse mit binären Ergebnissen zu modellieren.

Exercise 1: Wie stehen die Chancen?Exercise 2: Mit oder ohne Zurücklegen?Exercise 3: Wahrscheinlichkeiten berechnen Exercise 4: Stichproben zu Deals durchführen Exercise 5: Diskrete Verteilungen Exercise 6: Eine Wahrscheinlichkeitsverteilung erstellen Exercise 7: Verteilungen erkennen Exercise 8: Erwarteter Wert vs. Stichprobenmittelwert Exercise 9: Kontinuierliche Verteilungen Exercise 10: Welche Verteilung?Exercise 11: Daten Back-ups Exercise 12: Wartezeiten simulieren Exercise 13: Die Binomialverteilung Exercise 14: Verkaufdeals simulieren Exercise 15: Berechnung der binomialen Wahrscheinlichkeiten Exercise 16: Wie viele Verkäufe werden getätigt?

Nun wollen wir uns eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Statistik, die Normalverteilung, genauer anschauen. Du erstellst Histogramme, um Normalverteilungen darzustellen und lernst den zentralen Grenzwertsatz kennen, bevor du dein Wissen über statistische Funktionen erweiterst, indem du die Poisson-, Exponential- und t-Verteilung zu deinem Repertoire hinzufügst.

Exercise 1: Die Normalverteilung Exercise 2: Verteilung der Verkäufe von Amir Exercise 3: Wahrscheinlichkeiten aus der Normalverteilung Exercise 4: Verkäufe unter neuen Marktbedingungen simulieren Exercise 5: Welcher Markt ist besser?Exercise 6: Das zentrale Grenzwertsatztheorem Exercise 7: Stichprobenverteilungen visualisieren Exercise 8: Der zentrale Grenzwertsatz in Aktion Exercise 9: Der Mittelwert der Mittel Exercise 10: Die Poisson-Verteilung Exercise 11: Lambdas identifizieren Exercise 12: Reaktionen auf Leads verfolgen Exercise 13: Mehr Wahrscheinlichkeitsverteilungen Exercise 14: Verteilung durch Ziehen und Ablegen Exercise 15: Modellierung der Zeit zwischen den Leads Exercise 16: Die t-Verteilung

In diesem Kapitel lernst du, wie du die Stärke einer linearen Beziehung zwischen zwei Variablen quantifizieren kannst und wie Störvariablen die Beziehung zwischen zwei anderen Variablen beeinflussen können. Du erfährst auch, wie das Design einer Studie die Ergebnisse beeinflussen kann, wie die Daten analysiert werden sollten und wie sich das auf die Zuverlässigkeit deiner Schlussfolgerungen auswirken kann.

Exercise 1: Korrelation Exercise 2: Korrelation erraten Exercise 3: Beziehungen zwischen Variablen Exercise 4: Vorbehalte bei der Korrelation Exercise 5: Was kann die Korrelation nicht messen?Exercise 6: Variablen umwandeln Exercise 7: Macht Zucker glücklicher?Exercise 8: Störfaktoren Exercise 9: Planung von Experimenten Exercise 10: Studienarten Exercise 11: Längsschnittstudien vs. Querschnittstudien Exercise 12: Herzlichen Glückwunsch!