Typy danych

Zrozumienie typów danych jest niezbędne do efektywnej pracy ze zbiorami danych. W tej lekcji omówimy trzy podstawowe typy danych: liczbowe, kategoryczne i szeregów czasowych.

Dane liczbowe reprezentują liczby i mogą być:

• Dyskretne: Liczby całkowite, takie jak 1, 2, 3.
• Ciągłe: Liczby z częścią dziesiętną, takie jak 3.14, 7.89.

Przykłady: wiek, temperatura i dochód.

Dane kategoryczne reprezentują grupy lub kategorie. Mogą być:

• Nominalne: Kategorie bez określonej kolejności, np. kolory: czerwony, niebieski, zielony.
• Porządkowe: Kategorie o znaczącej kolejności, np. poziomy: niski, średni, wysoki.

Przykłady: płeć, typ produktu i poziom wykształcenia.

Dane szeregów czasowych składają się z wartości rejestrowanych w określonych odstępach czasu. Służą do śledzenia zmian lub trendów.

Przykłady:

• Ceny akcji rejestrowane codziennie.
• Temperatura mierzona co godzinę.
• Ruch na stronie internetowej monitorowany co tydzień.

Za pomocą atrybutu dtypes w Pandas można rozpoznać typy danych kolumn w zbiorze danych.

Przykład:

import pandas as pd data = {'Age': [25, 30], 'Gender': ['Male', 'Female']} df = pd.DataFrame(data) print(df.dtypes)

Znajomość typu danych pomaga:

• Wybrać odpowiednie techniki analizy.
• Wybrać właściwe wizualizacje.
• Zastosować odpowiednie metody wstępnego przetwarzania.

W Pythonie typy danych można konwertować za pomocą funkcji takich jak:

• astype() w Pandas.
• int(), float(), str() dla pojedynczych wartości.

Przykład:

df['Age'] = df['Age'].astype(float)

W tej lekcji poznali Państwo:

• Dane liczbowe: Wartości dyskretne i ciągłe.
• Dane kategoryczne: Kategorie nominalne i porządkowe.
• Dane szeregów czasowych: Wartości rejestrowane w określonych odstępach czasu.

Zrozumienie typów danych ma kluczowe znaczenie dla skutecznej analizy danych.

Ukończyli Państwo lekcję dotyczącą typów danych. Przejdź do następnej lekcji, aby dowiedzieć się, jak skutecznie obsługiwać brakujące dane.