การวิเคราะห์เชิงสำรวจข้อมูลสำหรับสัดส่วน
การวิเคราะห์เชิงสำรวจข้อมูล (EDA) ช่วยให้เราเข้าใจภาพรวมเบื้องต้นของข้อมูล สถิติสรุปช่วยอธิบายขนาด ทิศทาง และการกระจายของค่าเฉลี่ย ส่วนการแสดงผลแบบกราฟและแนวโน้มให้ข้อมูลเชิงลึกที่มากกว่า ทำให้มองเห็นรูปแบบที่น่าสนใจซึ่งอาจถูกซ่อนอยู่ใต้ค่าเฉลี่ย
สมมติว่าคุณเป็น Data Analyst ที่กำลังจะเริ่มสำรวจข้อมูล A/B testing ในขั้นตอน EDA ก่อนที่จะรันการทดสอบทางสถิติใด ๆ ลองสำรวจดูว่ามีสิ่งใดในข้อมูลที่น่าสนใจบ้าง DataFrame AdSmart และ checkout รวมถึง pandas เป็น pd, NumPy เป็น np, Matplotlib.pyplot เป็น plt และ Seaborn เป็น sns ถูกโหลดไว้ให้แล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
A/B Testing ด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Calculate the mean, standard deviation and count
checkout.____(____)[____].agg({____,____,____})