Verkennende analyse van proporties (EDA)
Exploratory data analysis (EDA) helpt ons om de data eerst globaal te begrijpen. Samenvattende statistieken laten de grootteorde, richting en spreiding van onze gemiddelde metrics zien, en visuele verdelingen en trends geven diepere inzichten in waar je op moet letten en helpen interessante patronen te ontdekken die onder gemiddelde statistieken verborgen kunnen blijven.
Stel je voor dat je een Data Analyst bent die in de eerste EDA-fase A/B-testdata gaat verkennen, nog vóór je statistische toetsen uitvoert. Kijk wat je in de data kunt vinden dat jou interessant lijkt. De DataFrames AdSmart en checkout, evenals pandas als pd, NumPy als np, Matplotlib.pyplot als plt en Seaborn als sns, zijn al voor je ingeladen.
De AdSmart Kaggle-gegevensbron vind je hier.
Deze oefening maakt deel uit van de cursus
A/B-testen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Calculate the mean, standard deviation and count
checkout.____(____)[____].agg({____,____,____})