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 det här avsnittet kommer ett urval av IT-specialisters löner att analyseras. Börja med att granska de fem första observationerna i datamängden:

- `work_year` - det år då lönen betalades ut;
- `experience_level` - erfarenhetsnivå: EN är nybörjarnivå, MI är mellannivå, SE är seniornivå, EX är exekutiv nivå;
- `job_title` - yrkestitel;
- `salary` - lönebeloppet;
- `salary_currency` - lönevaluta;
- `salary_in_usd` - lönebeloppet i USD;
- `company_location` - företagets plats;
- `company_size` - företagets storlek: S-Liten, M-Mellan, L-Stor.

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

Bygg en solid grund i statistik med Python. Lär dig grundläggande statistiska begrepp och tillämpa dem med hjälp av NumPy och pandas. Gå från grundläggande mått som medelvärde och varians till hypotesprövning, konfidensintervall och datadrivna insikter genom praktiska övningar.

Utforska centrala statistiska principer, inklusive datatyper, lägesmått och viktiga skillnader mellan stickprov och populationer.

Lär dig att beräkna och tolka medelvärde, median och typvärde med Python. Öva på dessa operationer med pandas för att analysera verkliga dataset.

Förstå hur varians och standardavvikelse mäter spridningen i data. Lär dig att beräkna båda manuellt och med hjälp av Python-verktyg.

Utforska hur kovarians och korrelation beskriver relationer mellan variabler. Öva på att beräkna och jämföra båda måtten i Python.

Behärska konfidensintervall för att uppskatta populationsparametrar. Använd NumPy, pandas och visualiseringsbibliotek för att beräkna och tolka intervall med verkliga data.

Lär dig grunderna i hypotesprövning och t-test. Förstå hur du utformar, genomför och tolkar tester med Python för att stödja datadrivna beslut.

Undersök Datasetet