6 raisons pour lesquelles vous devriez éviter les graphiques à barres

---

Les erreurs systématiques ne sont pas étrangères aux histogrammes. Le fait est qu'ils sont plutôt arbitraires et peuvent conduire à des conclusions erronées sur les données. Si vous souhaitez visualiser la variable, il est préférable de choisir un graphique différent.

Que vous soyez en réunion avec la haute direction ou les scientifiques des données, une chose dont vous pouvez être sûr est qu'un graphique à barres apparaîtra à un moment donné.

. : . , , ? .

— ​​ !

6 , , , :

1. .

   
   
   
   
   

2. .

   
   
   
   
   

3. .

   
   
   
   
   

4. .

   
   
   
   
   

5. .

   
   
   
   
   

6. , .

   
   
   
   
   

«, : . ?» !

, CDP, .

, ?

1. .

, , (bins). ( ). ? , .

( ), 303 ( UCI : ).

( Python R), (). , . .

2. .

, , . , , . , .

, , .

, . , : !

3. .

, , . , , «» .

, 0. , 10 , 26% — .

— , Python. , , , «» .

. , , , 0 - .

4. .

, . .

«» (Age). = 49 ( ) = 49,828884325804246 ( , 365,25). — , — .

, , , , , . ( Python) : .

5. .

. , UCI , , :

• ( )

  
  
  
  
  

• 50

  
  
  
  
  

• 50

  
  
  
  
  

• 60

  
  
  
  
  

• 60 .

  
  
  
  
  

:

, , , , .

6. , .

Excel, R Python, : Excel , R — hist(x), Python — plt.hist().

, . , , ? , , , , . :

| INTERVAL_LEFT | INTERVAL_RIGHT | COUNT         |

|---------------|----------------|---------------|

| 75.0          | 87.0           | 31            |

| 87.0          | 99.0           | 52            |

| 99.0          | 111.0          | 76            |

| ...           | ...            | ...           |

SQL- , . , Google Big Query :

WITH
STATS AS (
  SELECT 
    COUNT(*) AS N,
    APPROX_QUANTILES(VARIABLE_NAME, 4) AS QUARTILES
  FROM
    TABLE_NAME
),
BIN_WIDTH AS (
  SELECT
    -- freedman-diaconis formula for calculating the bin width
    (QUARTILES[OFFSET(4)] — QUARTILES[OFFSET(0)]) / ROUND((QUARTILES[OFFSET(4)] — QUARTILES[OFFSET(0)]) / (2 * (QUARTILES[OFFSET(3)] — QUARTILES[OFFSET(1)]) / POW(N, 1/3)) + .5) AS FD
  FROM 
    STATS
),
HIST AS (
  SELECT 
    FLOOR((TABLE_NAME.VARIABLE_NAME — STATS.QUARTILES[OFFSET(0)]) / BIN_WIDTH.FD) AS INTERVAL_ID,
    COUNT(*) AS COUNT
  FROM 
    TABLE_NAME,
    STATS,
    BIN_WIDTH
  GROUP BY 
    1
)
SELECT 
  STATS.QUARTILES[OFFSET(0)] + BIN_WIDTH.FD * HIST.INTERVAL_ID AS INTERVAL_LEFT,
  STATS.QUARTILES[OFFSET(0)] + BIN_WIDTH.FD * (HIST.INTERVAL_ID + 1) AS INTERVAL_RIGHT,
  HIST.COUNT
FROM 
  HIST, 
  STATS, 
  BIN_WIDTH
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

, ?

: .

6 , , : « ?» : , « » (Cumulative Distribution Plot - CDP). , , , .

— . , CDP :

• x: ( );

  
  
  
  
  

• y: .

  
  
  
  
  

— .

x = 140 y = 90 (30%). : 140 . , 140 ( 90 , 30% ). , 30% 140 .

, , « » ? «»? . , ( , ). , CDP , , .

CDP . , , « 140 160?» « 180?». CDP, . .

CDP , . , :

1. . , CDP.

2. . CDP, .

3. . - , , , .

4. . (.. ), , .

5. . , , . , y 0 100%, . , , :

6. , . , , , SQL:

SELECT 
  COUNT(*) AS N,
  APPROX_QUANTILES(VARIABLE_NAME, 100) AS PERCENTILES
FROM
  TABLE_NAME
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

Excel, R, Python

Excel . 101 , 0 1. , : =PERCENTILE(DATA, FRAC), DATA - , , FRAC - : 0,00, 0,01, 0,02, 0,03,…, 0,98, 0,99, 1. , x.

R :

plot(ecdf(data))
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

Python:

from statsmodels.distributions.empirical_distribution import ECDF
import matplotlib.pyplot as plt
ecdf = ECDF(data)
plt.plot(ecdf.x, ecdf.y)
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

! , .

. , Linkedin.

---

- "Machine Learning. Basic". , .

- "Machine Learning. Basic"

- - " "