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 denna sektion kommer ett urval av IT-specialisters löner att analyseras. Börja med att granska de fem första observationerna i datasetet:

- `work_year` - det år då lönen betalades ut;
- `experience_level` - erfarenhetsnivå: EN är Entry-level, MI är Mid-level, SE är Senior-level, EX är Executive level;
- `job_title` - namnet på yrkesrollen;
- `salary` - lönebeloppet;
- `salary_currency` - lönevalutan;
- `salary_in_usd` - lönebeloppet i USD;
- `company_location` - företagets plats;
- `company_size` - företagets storlek: S-Small, M-Medium, L-Large.

Nu följer en genomgång av datatyper inom statistik, följt av en övning där varje kolumnnamn ska matchas med motsvarande datatyp.

Denna kurs ger dig grundläggande kunskaper i statistik. Den är avsedd för studenter med grundläggande kunskaper i Python-syntax eftersom de kommer att arbeta med modulerna NumPy och pandas. Under kursens gång kommer du att bekanta dig med de grundläggande begreppen och därefter gradvis gå vidare till mer komplexa begrepp och uppgifter.

Detta avsnitt hjälper oss att hantera det första verkliga statistiska fallet: att hitta konfidensintervall. Det kräver kunskap om NumPy, pandas, Matplotlib och Seaborn-biblioteket för att beräkna matematiska formler och skapa visualiseringar. För att motivera dig att genomföra detta avsnitt vill jag påpeka att du kommer att stöta på en liten mängd teori men en betydande mängd praktik!

En oupplöslig del av en dataanalytikers arbete är att genomföra hypotesprövning. Efter att ha slutfört detta avsnitt kommer du att förstå idén bakom testning inom statistik och kunna genomföra ett t-test med Python.

Undersök Datasetet

Awesome!

Undersök Datasetet