أفكار وأدوات رقمية بلغة مفهومة.
1201 مقال
تداخل النقاط في مخطط التشتت قد يخفي عدد الحالات في ملف ميزات. عند رسم علامات معتمة ومتطابقة، يمكن لعدة حالات في الإحداثيات نفسها أن تبدو كنقطة واحدة. نؤلف أربع حالات ذات معرفات مختلفة، ونقارن عددها بعدد المواضع في الرسم قبل تفسير الشكل على أنه سجل كامل للأعداد.
نسبة الصف ونسبة العمود تجيبان عن سؤالين مختلفين حتى حين تقسمان العدد نفسه في جدول تقاطعي. قد يصل جدول نسب إلى مسار تحليل ميزات أو تقرير نموذج دون شرح المقام، فيقرأه المراجع على أنه تعداد للحالات. نؤلف جدولا صغيرا، ونحسب ثلاث نسب للخلية نفسها مع تسمية كل مقام.
مجموع النسب بعد التقريب قد يزيد على 100 في جدول، رغم أن الفئات تقسم الحالات كلها دون تداخل. يتطلب فهم الفرق مراجعة الأعداد والمقام وقاعدة العرض، قبل إضافة حالة مفقودة أو تغيير الخلية الأخيرة. نؤلف سبع حالات موزعة على ثلاث فئات، ونقارن الحصص الدقيقة بما يظهر عند عرض منزلة عشرية واحدة.
معامل بواسون والفترة الزمنية يجب أن يقرآ معا عند إعداد مثال لمحاكاة مدخلات نظام. العدد 3 قد يعني معدلا لكل عشر دقائق، أو عددا متوقعا في نصف ساعة؛ وهذان وصفان مختلفان. نعلن معدلا افتراضيا ثابتا، ونحسب العدد المتوقع لفترتين، ثم نفصل معلمة التوزيع عن العدد الذي قد يسجل فعلا.
احتمال بالضبط وعلى الأكثر قد يختلفان رغم استخدام العدد نفسه في السؤال. عند قراءة ملخص احتمالي لبيانات نموذج، لا يكفي أن نعرف أنه يتحدث عن نجاحين؛ نحتاج معرفة النتائج التي يضمها الحدث. نؤلف أربع محاولات ثنائية مستقلة، باحتمال نجاح نصف لكل محاولة، ونراجع الحدثين قبل اختيار الدالة.
عدد المحاولات والإخفاقات في التوزيع الهندسي قد يختلف بمقدار واحد دون تغير مسار النتائج. عندما نقرأ مخرجا احتماليا أو ننقله بين أدوات، نحتاج تعريف ما يعده المتغير. نؤلف مسارا ينتهي بأول نجاح، ثم نقارن عد المحاولات الشامل للنجاح بإحصاء الإخفاقات السابقة له.
الانتظار المتبقي في التوزيع الأسي قد يفسر خطأ على أنه موعد يقترب من الحسم كلما مر وقت أطول. نحدد نموذجا احتماليا افتراضيا بلا إزاحة، ثم نحسب احتمال تجاوز أربع دقائق إضافية بعد انتظار خمس. تساعد المقارنة على فصل قانون النموذج عن مهلة خدمة أو زمن واقعي لم نقسه.
الأوزان والاحتمالات في NumPy choice ليستا مدخلين متطابقين لمجرد أن الأرقام تحدد تفضيل الخيارات. قد نكتب 2 و 5 و 3 كأوزان نسبية، ثم نعاملها خطأ كاحتمالات مباشرة. نؤلف قائمة من ثلاثة خيارات، ونحول أوزانها إلى احتمالات مع حفظ ترتيب الربط قبل التفكير في أي سحب عشوائي.
عدد المحاولات وsize في multinomial قد يخلطان حين نقرأ مصفوفة أعداد فئات على أنها قائمة نجاحات مفردة. نحتاج تحديد عدد المحاولات في كل تكرار، وعدد تكرارات المتجه، وعدد الفئات. نؤلف إعدادا صغيرا وجدول نواتج ممكنة، دون توليد عشوائي، كي يظل كل مستوى من العد واضحا.
احتمال مجموع متغيرين مستقلين لا نحسبه بجمع رقمي احتمال منفصلين دون تحديد النتيجة المشتركة. قد تعطي أزواج مختلفة المجموع نفسه، فتحتاج كل مساهمة إلى حساب ثم جمع. نؤلف توزيعَين متقطعين، ونعلن الاستقلال، ونتتبع ستة أزواج قبل ربط الحساب بالالتفاف الكامل.
allow_singular ومصفوفة التغاير قد يقرآن كأن تفعيل الخيار يصلح أي جدول أعداد في نموذج طبيعي متعدد المتغيرات. لكن السماح بالمفردة يغير شرطا محددا، ولا يلغي بقية معنى التغاير. نؤلف ثلاث مصفوفات عددية صغيرة، ونراجع سلوك تعبيرها التربيعي ثم نفصل ذلك عن الفحص الذي توثقه SciPy.
فاصل نسبة النجاح يحتاج اسم طريقة الحساب إلى جانب مستوى الثقة. قد يشترك تقريران في عدد النجاحات والمحاولات، ثم يستعملان طريقتين مختلفتين لبناء الفاصل. نراجع إعدادات ثلاث طرق توثقها SciPy، ونميز النسبة المحسوبة مباشرة من حدود لم نحسبها في هذا المثال.
اختبار t المقرون لا يقرأ متوسط كل عمود وحده؛ يدخل تشتت فروق الأزواج في مقام الإحصائية. نؤلف جدولين لهما قيم الأعمدة نفسها ومتوسطاتها نفسها، لكنهما يعلنان أزواجًا مختلفة. الحساب يوضح المعلومة التي تفقد إذا احتفظنا بالمتوسطين فقط.
ارتباط نقطتين قد يبدو نتيجة شديدة القوة إذا ظهر المعامل 1 أو سالب 1. لكن مع زوجين فقط وقيم غير ثابتة، لا يملك المعامل في هذه الحالة خيارًا آخر. نراجع حالة محددة في اختبار SciPy الافتراضي ونفصل قيمة المعامل عن قيمة p ثنائية الجانب.
رتب القيم المتساوية تعتمد على قاعدة التعامل مع التعادل. قد يحتفظ جدولان بالقيم نفسها، ثم تختلف خانة الرتبة لأن أحدهما اختار average والآخر dense. نرتب أربع قيم مؤلفة تصاعديًا، ونقارن طرق rankdata دون أن نفسر اختلاف رتبتين كأنه اختلاف في القياس.
ارتباط أعمدة ناقصة قد يعرض مصفوفة واحدة، لكن خلاياها لا تعتمد بالضرورة على الصفوف نفسها. توثق pandas حساب الارتباط بالمشاهدات المكتملة لكل زوج من الأعمدة. [1] نراجع ستة صفوف مؤلفة، ونعد ما يبقى لكل مقارنة قبل قراءة أي معامل.
أوزان التغاير لا تحمل معنى واحدًا لمجرد أن الأعداد متطابقة. تميز NumPy بين fweights لتكرار المشاهدة وaweights للأوزان النسبية. [1] نراجع متغيرًا واحدًا بقيمتين مؤلفتين، ونرى كيف يختلف عامل التطبيع عند ddof=1 مع بقاء المتوسط الموزون نفسه.
التكرار المتوقع في الخلية ليس عددًا جديدًا من المشاهدات التي جمعناها. قد تكون قيمته 1.2 ، بينما يحتوي سجل الخلية على مشاهدة واحدة. نؤلف جدولًا صغيرًا ونحسب توقعاته تحت فرض استقلال البعدين، ثم نراجع لماذا تحفظ النتيجة الهوامش دون أن تصبح سجلًا لما وقع.
