Summary  
Demonstrates how to calculate the standard deviation of a numerical series using NumPy and pandas functions and printing the results.

General domain of usage  
Data analysis

Den første funktion er fra `numpy`, og den anden metode er fra `pandas`. Se eksemplet på beregning af standardafvigelsen for `work_year`:

import pandas as pd
import numpy as np

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/update/ds_salaries_statistics', index_col = 0)

# Calculate the standard deviation using the function from the NumPy library
std_1 = np.std(df['salary_in_usd'])
# Calculate the standard deviation using the function from the pandas library
std_2 = df['salary_in_usd'].std()

print('The standard deviation using NumPy library is', round(std_1, 2))
print('The standard deviation using pandas library is', round(std_2, 2))

Opbyg et solidt fundament i statistik ved hjælp af Python. Lær essentielle statistiske begreber og anvend dem gennem NumPy og pandas. Gå fra grundlæggende mål som gennemsnit og varians til hypotesetest, konfidensintervaller og datadrevne indsigter med praktiske øvelser.

Opdag centrale statistiske principper, herunder datatyper, mål for central tendens og væsentlige forskelle mellem stikprøver og populationer.

Lær at beregne og fortolke gennemsnit, median og typetal ved hjælp af Python. Øv disse operationer med pandas for at analysere virkelige datasæt.

Forstå, hvordan varians og standardafvigelse måler dataspredning. Lær at beregne begge dele manuelt og ved hjælp af Python-værktøjer.

Undersøg, hvordan kovarians og korrelation beskriver relationer mellem variable. Øv beregning og sammenligning af begge metrikker i Python.

Behersk konfidensintervaller til at estimere populationsparametre. Brug NumPy, pandas og visualiseringsbiblioteker til at beregne og fortolke intervaller med virkelige data.

Lær det grundlæggende om hypoteseprøvning og t-testen. Forstå, hvordan man designer, udfører og fortolker tests ved hjælp af Python til at understøtte datadrevne beslutninger.

Standardafvigelse med Python