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

In diesem Abschnitt wird eine Stichprobe der Gehälter von IT-Spezialisten analysiert. Beginnen Sie mit der Betrachtung der ersten fünf Beobachtungen des Datensatzes:

- `work_year` – in diesem Jahr wurde das Gehalt gezahlt;
- `experience_level` – Erfahrungsstufe: EN steht für Einstiegsniveau, MI für mittleres Niveau, SE für Senior-Level, EX für Executive-Level;
- `job_title` – die Berufsbezeichnung;
- `salary` – der Wert des Gehalts;
- `salary_currency` – die Währung des Gehalts;
- `salary_in_usd` – der Wert des Gehalts in USD;
- `company_location` – der Standort des Unternehmens;
- `company_size` – die Unternehmensgröße: S-Klein, M-Mittel, L-Groß.

Nun folgt eine Übersicht über Datentypen in der Statistik, gefolgt von einer Aktivität, bei der jeder Spaltenname dem entsprechenden Datentyp zugeordnet werden soll.

Erwerb einer soliden Grundlage in Statistik mit Python. Vermittlung grundlegender statistischer Konzepte und deren Anwendung mit NumPy und pandas. Von grundlegenden Kennzahlen wie Mittelwert und Varianz bis hin zu Hypothesentests, Konfidenzintervallen und datengestützten Erkenntnissen mit praxisnahen Übungen.

Erkunden Sie grundlegende statistische Prinzipien, einschließlich Datentypen, Maße der zentralen Tendenz und wesentliche Unterschiede zwischen Stichproben und Grundgesamtheiten.

Erlernen der Berechnung und Interpretation von Mittelwert, Median und Modus mit Python. Anwendung dieser Operationen mit pandas zur Analyse realer Datensätze.

Verstehen, wie Varianz und Standardabweichung die Streuung von Daten messen. Berechnung beider Werte manuell und mit Python-Werkzeugen.

Untersuchung, wie Kovarianz und Korrelation Beziehungen zwischen Variablen beschreiben. Berechnung und Vergleich beider Kennzahlen in Python anwenden.

Sicheres Beherrschen von Konfidenzintervallen zur Schätzung von Populationsparametern. Verwendung von NumPy, pandas und Visualisierungsbibliotheken zur Berechnung und Interpretation von Intervallen mit realen Daten.

Erlernen der Grundlagen von Hypothesentests und des t-Tests. Verständnis für die Planung, Durchführung und Interpretation von Tests mit Python zur Unterstützung datenbasierter Entscheidungen.

Datensatz Untersuchen