Summary  
This chapter covers how to print the first rows of a tabular dataset and match each column to its statistical data type.

General domain of usage  
IT professionals’ salary analysis

In diesem Abschnitt wird eine Stichprobe der Gehälter von IT-Spezialisten analysiert. Zunächst werden die ersten fünf Beobachtungen des Datensatzes betrachtet:

- `work_year` - in diesem Jahr wurde das Gehalt gezahlt;
- `experience_level` - Erfahrungsstufe: EN steht für Einsteiger, MI für mittlere Stufe, SE für Senior-Level, EX für Führungsebene;
- `job_title` - die Berufsbezeichnung;
- `salary` - der Gehaltswert;
- `salary_currency` - die Währung des Gehalts;
- `salary_in_usd` - der Gehaltswert 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 Aufgabe, bei der jeder Spaltenname dem entsprechenden Datentyp zugeordnet werden soll.

Erwerb einer soliden Grundlage in Statistik mit Python. Erlernen 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.

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

Lernen Sie, Mittelwert, Median und Modus mit Python zu berechnen und zu interpretieren. Üben Sie diese Operationen mit pandas, um reale Datensätze zu analysieren.

Verstehen, wie Varianz und Standardabweichung die Streuung von Daten messen. Erlernen der manuellen Berechnung beider Kennzahlen sowie deren Berechnung mit Python-Tools.

Untersuchung, wie Kovarianz und Korrelation Beziehungen zwischen Variablen beschreiben. Anwendung der Berechnung und des Vergleichs beider Kennzahlen in Python.

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

Datensatz Untersuchen