Faragiri

همهٔ زبان‌ها

داده
تحلیل داده ۱ زیرشاخه

آموزش تحلیل داده داده · آمار توصیفی

میانگین، میانه، کندترین یک‌دهم و طولانی‌ترین، هیچ‌کدامشان غلط نیستند. گزارش باید بگوید به کدام سوال جواب می‌دهد.

۱شاخه
۱زیرمجموعه
۳عمق

یک ستون عدد، چهار جواب متفاوت می‌دهد و هیچ‌کدامشان غلط نیستند. آنچه گزارش را درست یا غلط می‌کند این است که بگوید به کدام سوال جواب می‌دهد.

شیدا کریمی در اداره خدمات شهری یک منطقه، ۲٬۴۰۰ درخواست تعمیر یک سال را دارد و باید بگوید رسیدگی چقدر طول می‌کشد. جلسه سر همین یک عدد به هم خورد.

چهار عدد از یک ستون

میانگین ۹ روز است. میانه ۴ روز. کندترین یک‌دهم ۳۱ روز، و طولانی‌ترین ۱۸۰ روز، که یک موتورخانه بود و یک پیمانکار و یک زمستان. این چهار با هم مقایسه نمی‌شوند و جایگزین هم نیستند؛ هرکدام به سوال دیگری جواب می‌دهند.

دو هزار و چهارصد درخواست، یک سال

چهار عدد از یک ستون، و هیچکدام غلط نیست

با هم مقایسه نمیشوند و جایگزین هم نیستند. هرکدام به سوال دیگری جواب میدهند و گزارش باید بگوید به کدام سوال جواب میدهد.

  • ۹ روزمیانگینکاری که دم بلند با میانگین میکند
  • ۴ روزمیانهچیزی که یک ساکن معمولی منتظر میماند
  • ۳۱ روزکندترین یکدهمهمانهایی که به جلسه میآیند
  • ۱۸۰ روزطولانیترینیک موتورخانه، یک پیمانکار، یک زمستان

اولی و دومی فرق دارند چون توزیع کج است. فقط اولی را گزارش کردن همان است که بحث را شروع کرد؛ فقط دومی را گزارش کردن، بحث بعدی را شروع میکند.

میانگین و میانه وقتی فرق دارند که توزیع کج است، و اینجا کج است چون چند پرونده خیلی طولانی دم توزیع را می‌کشند. فقط میانگین را گزارش کردن همان چیزی است که بحث را شروع کرد: ساکنان می‌گفتند نه روز واقعیت ندارد و راست می‌گفتند، چون نیمی از پرونده‌ها زیر چهار روز بسته می‌شوند. ولی فقط میانه را گزارش کردن هم بحث بعدی را شروع می‌کند، چون کندترین یک‌دهم همان‌هایی هستند که به جلسه می‌آیند.

گزارشی که هر چهار عدد را با نامشان بیاورد، در همان یک بند بحث را از دعوا به تصمیم می‌برد: هدف را روی کدام‌شان می‌گذاریم. و این تصمیمی است که یک آدم می‌گیرد، نه یک تابع.

و ستونی که پیش از این چهارتا باید نگاه شود

پیش از هر کدام از این چهار عدد، تعداد پرونده‌های باز را بشمارید. پرونده‌ای که هنوز بسته نشده در هیچ‌کدام از این چهار عدد نیست، چون طول رسیدگی‌اش هنوز معلوم نیست. اگر پرونده‌های کند بیشتر باز بمانند، هر چهار عدد خوش‌بینانه‌اند و هیچ‌کدام هم دروغ نگفته‌اند. شیدا ۳۱ پرونده باز داشت که میانگین سنشان از ۹ روز بیشتر بود.

دو خطی که با هم بالا می‌روند

در همان گزارش دو نمودار کنار هم بودند: گزارش‌های نم، که هر پاییز بالا می‌رود، و تاخیر تعمیر، که در همان هفته‌ها بالا می‌رود. کمیته یک بعدازظهر سر این بحث کرد که کدام علت آن یکی است.

دو خط که با هم بالا میروند

ضلعی از یک همبستگی که کسی نمیکشدش

دو تا از این سه رابطه در هر جلسه کمیته بحث میشوند. سومی هر دو را توضیح میدهد و روی هیچ نموداری در گزارش نیست.

  • به شکل علت و معلول خوانده میشود، و هیچکدام نیست
  • هر پیمانکاری در شهر شلوغ است
  • میعان، در همان هفتهها
  • گزارشهای نم
  • تاخیر تعمیر
  • ماههای سرد
  • گزارشهای نمهر پاییز بالا میرود
  • تاخیر تعمیردر همان هفتهها بالا میرود
  • ماههای سردروی محور هیچکس

ضلع علامتخورده همان است که کمیته سرش بحث کرد. برنامهای برای کم کردن تاخیر از راه رفع نم، یک سال اجرا میشد و هیچ چیزی ثابت نمیکرد.

دو خطی که با هم بالا می‌روند، سومی دارند که روی هیچ نموداری نیست. اینجا آن سومی ماه‌های سرد بود: میعان روی دیوار سرد گزارش نم را بالا می‌برد، و شلوغ بودن هر پیمانکار در شهر تاخیر را. هیچ‌کدام از آن دو خط علت دیگری نبود. ضلع سوم را روی محور بگذارید، وگرنه رابطه علت و معلول خوانده می‌شود؛ یک ستون ساده «ماه» کنار همان دو خط، یک بعدازظهر بحث را حذف می‌کرد.

هزینه ندیدن این ضلع، عدد نیست، یک سال است: برنامه‌ای برای کم کردن تاخیر از راه رفع نم، یک سال اجرا می‌شد و هیچ چیزی ثابت نمی‌کرد، به قیمت همان زمستانی که قرار بود در آن ثابت شود.

ایست: عدد را می‌سازند و بعد دنبال سوال می‌گردند

کار اینجا می‌ایستد. تحلیل با باز کردن جدول شروع می‌شود و با ساختن چند عدد ادامه پیدا می‌کند، و سوال آخر از همه نوشته می‌شود، اگر اصلاً نوشته شود. نتیجه‌اش گزارشی است که هفت عدد دارد و هیچ تصمیمی را عوض نمی‌کند. آزمونش یک جمله است: پیش از باز کردن جدول بنویسید که اگر جواب الف باشد چه می‌کنید و اگر ب باشد چه. اگر جواب هر دو یکی است، آن عدد لازم نیست.

پیش از باز کردن جدول

آزمون یکجملهای که عددهای بیکار را حذف میکند

اگر پاسخ دو حالت متضاد یک عدد، رفتار شما را عوض نمیکند، محاسبه آن فقط شلوغی گزارش را بالا میبرد.

پیش از نوشتن اولین فرمول

  1. بلهسوال پیش از جدول نوشته شدهتصمیمی که قرار است گرفته شود روی کاغذ هستبله
  2. بلهاقدام برای جواب الف و جواب ب فرق دارددو نتیجه متفاوت به دو مسیر متفاوت میرسندبله
  3. خیرهر دو جواب به یک کار ختم میشونداین عدد هیچ تصمیمی را عوض نمیکند و باید کنار برودخیر

گزارشی که هفت عدد دارد و هیچ اقدامی را تغییر نمیدهد، از جای اشتباه شروع شده است.

با چه چیزی این چهار عدد ساخته می‌شوند

pandas از ۲۰۲۶ جای شمردن با دست در صفحه‌گسترده و کپی کردن نتیجه در گزارش را گرفته است: هر چهار عدد یک خط‌اند و مهم‌تر از آن، همان یک خط سال بعد دوباره اجرا می‌شود. رایگان و متن‌باز است. صدک‌ها را هم همان‌جا بگیرید، نه با مرتب کردن و شمردن دستی.

ابزارهای اجرای تکرارپذیر

از شمردن دستی تا گزارشی که با داده یکی است

فاصله میان ستون خام و سند نهایی را دو ابزار رایگان و متنباز پر میکنند تا عدد متن هیچوقت با نمودار فرق نکند.

شمردن و کپی دستی در صفحهگستردهجدایی سند گزارش از کدی که عددها را ساخته
  1. ۰۱pandasمحاسبه هر چهار سنجه و صدکها در یک خط کد قابل تکرار
  2. ۰۲Quartoنگهداری متن گزارش و کد ساخت عدد و نمودار در یک پرونده
گزارش فصلی تکرارپذیراجرای دوباره همان پرونده در فصل بعد بدون دستکاری

وقتی سند و کد یکی باشند، اصلاح یک سطر در داده، همزمان جدول، نمودار و عدد داخل متن را بهروز میکند.

Quarto از ۲۰۲۶ جای چسباندن نمودار در سندی را گرفته که دیگر به داده وصل نیست: گزارش و کدی که عددها را می‌سازد یک پرونده‌اند، پس عددِ داخل متن هیچ‌وقت با عددِ داخل نمودار فرق نمی‌کند. رایگان و متن‌باز است. برای گزارشی که هر فصل تکرار می‌شود، همین یک خاصیت بیشتر از هر چیز دیگری وقت می‌خرد.

پنج کاری که هر تحلیل از آن‌ها می‌گذرد

آمار توصیفی همان چهار عدد این صفحه است. توزیع‌ها می‌گوید چرا میانگین و میانه از هم جدا افتادند. همبستگی همان دو خط است و آن ضلع سوم. معناداری جایی است که تصمیم می‌گیرید تفاوت امسال و پارسال واقعی است یا نویز. و آزمایش تنها راهی است که ضلع سوم را از دور خارج می‌کند، چون ماه سرد را برای هر دو گروه یکی نگه می‌دارد. همه زیر به دست آوردنش، تمیز کردنش، و فهمیدن اینکه چه می‌گوید می‌نشینند.

مراحل پنجگانه تحلیل

از توصیف یک ستون تا کنار زدن ضلع سوم

هر تحلیل از پنج ایستگاه میگذرد و هر ایستگاه ابهامی را میبندد که ایستگاه قبلی باز گذاشته است.

  1. ۰۱آمار توصیفیساختن چهار عدد پایه مثل میانگین، میانه و صدکها
  2. ۰۲توزیعهادیدن کج بودن داده و علت فاصله میانگین و میانه
  3. ۰۳همبستگییافتن همحرکتی دو خط و جستوجو برای عامل سوم پنهان
  4. ۰۴معناداریجدا کردن تفاوت واقعی امسال و پارسال از نوسان تصادفی
  5. ۰۵آزمایشیکسان نگه داشتن عامل سوم برای سنجش اثر واقعی

این پنج گام زیر چتر به دست آوردن، تمیز کردن و فهمیدن داده کار میکنند و به انتخاب آگاهانه عدد هدف ختم میشوند.

سه همسایه دارد. اینکه همین چهار عدد چطور نشان داده شوند موضوع دیدنی کردن آنچه پیدا کرده‌اید است. پیش از هر تحلیلی، هشتاد درصد کار، که کسی از آن عکس نمی‌گیرد تعیین می‌کند این ستون اصلاً چه چیزی را می‌شمارد. و وقتی به جای توصیف گذشته بخواهید آینده را پیش‌بینی کنید، روش‌هایی که روی داده جدولی هنوز برنده‌اند کار دیگری است.

سوال بعدی این است: هدف را روی کدام عدد بگذارند. هر کدام را انتخاب کنند، پیمانکار همان را بهینه می‌کند، و انتخاب میانه یعنی پرونده‌های کند هیچ‌وقت به کسی سود نمی‌رسانند.

درون این، ۱

کنار این

بالای این