W ka\u017cdym projekcie analizy danych pierwszym krokiem jest zebranie surowych danych. Po zebraniu tych danych mo\u017cna je nast\u0119pnie oczy\u015bci\u0107, przekszta\u0142ci\u0107, podsumowa\u0107 i zwizualizowa\u0107.<\/span><\/p>\n Zalet\u0105 gromadzenia surowych danych jest to, \u017ce docelowo mo\u017cna je wykorzysta\u0107 do lepszego zrozumienia pewnych zjawisk lub wykorzysta\u0107 je do zbudowania pewnego rodzaju modelu predykcyjnego.<\/span> <\/p>\n Poni\u017cszy przyk\u0142ad ilustruje, w jaki spos\u00f3b mo\u017cna gromadzi\u0107 surowe dane i wykorzystywa\u0107 je w prawdziwym \u017cyciu.<\/span><\/p>\n Sport to obszar, w kt\u00f3rym cz\u0119sto gromadzone s\u0105 surowe dane. Na przyk\u0142ad surowe dane mo\u017cna gromadzi\u0107 na potrzeby r\u00f3\u017cnych statystyk dotycz\u0105cych zawodowych koszykarzy.<\/span><\/p>\n Krok 1: Zbierz surowe dane<\/strong><\/span><\/p>\n Wyobra\u017a sobie, \u017ce skaut koszyk\u00f3wki zbiera nast\u0119puj\u0105ce surowe dane dotycz\u0105ce 10 zawodnik\u00f3w profesjonalnej dru\u017cyny koszyk\u00f3wki: Ten zbi\u00f3r danych reprezentuje surowe dane<\/strong> , poniewa\u017c zosta\u0142y zebrane bezpo\u015brednio przez scouta i nie zosta\u0142y oczyszczone ani przetworzone w \u017caden spos\u00f3b.<\/span><\/p>\n Krok 2: Wyczy\u015b\u0107 surowe dane<\/strong><\/span><\/p>\n Przed u\u017cyciem tych danych do utworzenia tabel podsumowuj\u0105cych, wykres\u00f3w lub czegokolwiek innego, scout musi najpierw usun\u0105\u0107 wszelkie brakuj\u0105ce warto\u015bci i oczy\u015bci\u0107 wszelkie \u201ebrudne\u201d warto\u015bci danych.<\/span><\/p>\n Na przyk\u0142ad mo\u017cemy zauwa\u017cy\u0107 w zbiorze danych kilka warto\u015bci, kt\u00f3re wymagaj\u0105 przekszta\u0142cenia lub usuni\u0119cia:<\/span> <\/p>\n Zwiadowca mo\u017ce podj\u0105\u0107 decyzj\u0119 o ca\u0142kowitym usuni\u0119ciu ostatniego wiersza, poniewa\u017c zawiera on kilka brakuj\u0105cych warto\u015bci. Mo\u017ce nast\u0119pnie wyczy\u015bci\u0107 warto\u015bci znak\u00f3w w zbiorze danych, aby uzyska\u0107 nast\u0119puj\u0105ce \u201eczyste\u201d dane:<\/span> <\/p>\n Krok 3: Podsumuj dane<\/strong><\/span><\/p>\n Po oczyszczeniu danych badacz mo\u017ce podsumowa\u0107 ka\u017cd\u0105 zmienn\u0105 w zbiorze danych. Na przyk\u0142ad mo\u017ce obliczy\u0107 nast\u0119puj\u0105ce statystyki podsumowuj\u0105ce dla zmiennej \u201eMinuty\u201d:<\/span><\/p>\n Krok 4: Wizualizuj dane<\/strong><\/span><\/p>\n Osoba badaj\u0105ca mo\u017ce nast\u0119pnie wizualizowa\u0107 zmienne w zbiorze danych, aby lepiej zrozumie\u0107 warto\u015bci danych.<\/span><\/p>\n Na przyk\u0142ad mo\u017ce utworzy\u0107 nast\u0119puj\u0105cy wykres s\u0142upkowy, aby zwizualizowa\u0107 ca\u0142kowit\u0105 liczb\u0119 minut rozegranych przez ka\u017cdego gracza:<\/span> <\/p>\n Mo\u017cna te\u017c utworzy\u0107 nast\u0119puj\u0105cy wykres rozrzutu, aby zwizualizowa\u0107 zwi\u0105zek pomi\u0119dzy rozegranymi minutami a zdobytymi punktami:<\/span> <\/p>\n Ka\u017cdy z tych typ\u00f3w wykres\u00f3w mo\u017ce pom\u00f3c mu lepiej zrozumie\u0107 dane.<\/span><\/p>\n Krok 5: Wykorzystaj dane do zbudowania modelu<\/strong><\/span><\/p>\n Wreszcie, po oczyszczeniu danych, badacz mo\u017ce podj\u0105\u0107 decyzj\u0119 o dostosowaniu pewnego rodzaju modelu predykcyjnego.<\/span><\/p>\n Mo\u017cna na przyk\u0142ad dopasowa\u0107 prosty model regresji liniowej<\/a> i wykorzysta\u0107 minuty rozegrane do przewidzenia \u0142\u0105cznej liczby punkt\u00f3w zdobytych przez ka\u017cdego gracza.<\/span> <\/p>\n Dopasowane r\u00f3wnanie regresji to:<\/span><\/p>\n Punkty = 8,7012 + 0,2717*(minuty)<\/span><\/p>\n Skaut mo\u017ce nast\u0119pnie u\u017cy\u0107 tego r\u00f3wnania, aby przewidzie\u0107 liczb\u0119 punkt\u00f3w, kt\u00f3re gracz zdob\u0119dzie na podstawie liczby rozegranych minut. Na przyk\u0142ad zawodnik graj\u0105cy 30 minut powinien uzyska\u0107 16,85<\/strong> punktu:<\/span><\/p>\n Punkty = 8,7012 + 0,2717*(30) = 16,85<\/span><\/p>\n Dlaczego statystyki s\u0105 wa\u017cne?<\/a> W statystyce dane surowe oznaczaj\u0105 dane, kt\u00f3re zosta\u0142y zebrane bezpo\u015brednio ze \u017ar\u00f3d\u0142a pierwotnego i nie zosta\u0142y w \u017caden spos\u00f3b przetworzone. W ka\u017cdym projekcie analizy danych pierwszym krokiem jest zebranie surowych danych. Po zebraniu tych danych mo\u017cna je nast\u0119pnie oczy\u015bci\u0107, przekszta\u0142ci\u0107, podsumowa\u0107 i zwizualizowa\u0107. Zalet\u0105 gromadzenia surowych danych jest to, \u017ce docelowo mo\u017cna je wykorzysta\u0107 do […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2022","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/donnees-brutes1.png\")
<\/p>\n Przyk\u0142ad: gromadzenie i wykorzystywanie surowych danych<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/donnees-brutes2.png\")
<\/span><\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/donnees-brutes3.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/donnees-brutes4.png\")
<\/p>\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/donnees-brutes5.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/donnees-brutes6.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/donnees-brutes7.png\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Dlaczego wielko\u015b\u0107 pr\u00f3by jest wa\u017cna w statystyce?
Co to jest obserwacja w statystyce?<\/a>
Czym s\u0105 dane tabelaryczne w statystyce?<\/p>\n","protected":false},"excerpt":{"rendered":"