산포: 분산과 표준편차

두 열의 평균이 같아도 모양은 완전히 다를 수 있습니다. 차이를 알아내려면 값이 얼마나 넓게 흩어져 있는지 나타내는 퍼짐을 측정해야 합니다. 📏

퍼짐은 각 점이 평균에서 얼마나 떨어져 있는지, 즉 편차에서 시작합니다. 편차가 작으면 데이터가 조밀하고, 크면 데이터가 넓게 퍼져 있습니다.

양의 편차와 음의 편차를 더하면 서로 상쇄되어 0이 됩니다. 그래서 먼저 각 편차를 제곱해 모든 차이를 양의 기여값으로 바꿉니다.

분산은 제곱한 편차들의 평균입니다. 분산이 클수록 값이 평균에서 더 멀리 벗어납니다.

제곱하면 단위도 함께 커집니다. 달러로 표시된 가격의 분산은 달러의 제곱 단위가 되어 한눈에 해석하기 어렵습니다.

분산의 제곱근을 구하면 표준편차를 얻습니다. 데이터와 같은 단위를 사용하므로 결과를 훨씬 쉽게 이해할 수 있습니다.

표준편차는 각 점이 평균에서 떨어진 일반적인 거리라고 볼 수 있습니다. std가 작으면 값이 일정하고, 크면 변동성이 큽니다.

종 모양에 가까운 데이터에서는 값의 약 68퍼센트가 평균에서 한 표준편차 이내에 있습니다. 데이터 범위를 빠르게 점검할 수 있는 방법입니다.

pandas는 기본적으로 n-1로 나누는 표본 버전을 사용합니다. 데이터가 더 큰 집단에서 추출한 표본일 때 이 작은 조정으로 편향을 보정할 수 있습니다.

표준편차를 사용하면 일관성을 공정하게 비교할 수 있습니다. 배송 시간의 std가 더 작은 상품이 더 신뢰할 만한 상품입니다.

두 값을 직접 비교해 선택할 필요가 없습니다. describe의 출력에는 모든 숫자 열에 대한 std가 이미 포함되어 있습니다.

원본 데이터와 같은 단위를 사용하는 퍼짐 측정값이 필요합니다.

분산은 거리의 제곱을 평균 내고, 표준편차는 그 결과를 실제 단위로 되돌린다는 것을 배웠습니다. 두 값을 함께 사용하면 데이터가 얼마나 변하는지 알 수 있습니다. 🌟