Summary  
This chapter demonstrates printing the first rows of a dataset and matching each column with its statistical data type.

General domain of usage  
IT salary data analysis

I denne sektion vil en stikprøve af IT-specialisters lønninger blive analyseret. Begynd med at undersøge de første fem observationer i datasættet:

- `work_year` - dette år blev lønnen udbetalt;
- `experience_level` - erfaringsniveau: EN er Entry-level, MI er Midt-niveau, SE er Senior-niveau, EX er Executive-niveau;
- `job_title` - navnet på et job;
- `salary` - lønnens værdi;
- `salary_currency` - lønnens valuta;
- `salary_in_usd` - lønnens værdi i USD;
- `company_location` - virksomhedens placering;
- `company_size` - virksomhedens størrelse: S-Små, M-Mellemstore, L-Store.

Nu påbegyndes en gennemgang af datatyper i statistik, efterfulgt af en øvelse, hvor hver kolonnenavn matches med sin tilsvarende datatype.

Dette kursus giver dig en grundlæggende viden om statistik. Det er tiltænkt studerende med grundlæggende kendskab til Python-syntaks, da de vil arbejde med NumPy- og pandas-modulerne. I løbet af kurset vil du blive fortrolig med de grundlæggende begreber og derefter gradvist gå videre til mere komplekse begreber og opgaver.

Dette afsnit hjælper os med at håndtere det første reelle statistiske tilfælde: at finde konfidensintervaller. Det kræver kendskab til NumPy, pandas, Matplotlib og Seaborn-biblioteket for at beregne matematiske formler og opbygge visualiseringer. For at motivere dig til at gennemføre dette afsnit vil jeg fremhæve, at du kun vil støde på en smule teori, men en betydelig mængde praksis!

En uadskillelig del af en dataanalytikers arbejde er at udføre hypoteseprøvning. Efter at have gennemført dette afsnit vil du forstå idéen bag testning i statistik og være i stand til at udføre en t-test ved hjælp af Python.

Undersøg Datasættet

Awesome!

Undersøg Datasættet