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 questa sezione verrà analizzato un campione di stipendi di specialisti IT. Inizia esaminando le prime cinque osservazioni del dataset:

- `work_year` - anno in cui è stato pagato lo stipendio;
- `experience_level` - livello di esperienza: EN è Entry-level, MI è Mid-level, SE è Senior-level, EX è Executive level;
- `job_title` - nome della posizione lavorativa;
- `salary` - valore dello stipendio;
- `salary_currency` - valuta dello stipendio;
- `salary_in_usd` - valore dello stipendio in USD;
- `company_location` - località dell'azienda;
- `company_size` - dimensione dell'azienda: S-Piccola, M-Media, L-Grande.

Ora inizia una revisione dei tipi di dati in statistica, seguita da un'attività per abbinare ogni nome di colonna al relativo tipo di dato.

Costruisci una solida base in statistica utilizzando Python. Apprendi i concetti statistici essenziali e applicali tramite NumPy e pandas. Passa da misure di base come media e varianza a test d'ipotesi, intervalli di confidenza e analisi dei dati con esercitazioni pratiche.

Esplora i principi statistici fondamentali, inclusi i tipi di dati, le misure di tendenza centrale e le principali differenze tra campioni e popolazioni.

Apprendere il calcolo e l'interpretazione di media, mediana e moda utilizzando Python. Eseguire esercitazioni su queste operazioni con pandas per analizzare dataset reali.

Comprendere come la varianza e la deviazione standard misurano la dispersione dei dati. Calcolo manuale e tramite strumenti Python di entrambe le misure.

Esplora come covarianza e correlazione descrivono le relazioni tra variabili. Esercitati nel calcolo e nel confronto di entrambe le metriche in Python.

Approfondimento sugli intervalli di confidenza per stimare i parametri della popolazione. Utilizzo di NumPy, pandas e librerie di visualizzazione per calcolare e interpretare intervalli con dati reali.

Apprendere i fondamenti del test d'ipotesi e del t-test. Comprendere come progettare, eseguire e interpretare i test utilizzando Python per supportare decisioni basate sui dati.

Esaminare il Dataset