เฮ้ ในฐานะซัพพลายเออร์ของผลิตภัณฑ์ NAN ฉันมักจะถูกถามเกี่ยวกับวิธีการแสดงข้อมูลด้วยค่า 'NAN' 'Nan' ซึ่งหมายถึง 'ไม่ใช่ตัวเลข' อาจเป็นความเจ็บปวดที่คอเมื่อคุณพยายามทำความเข้าใจกับข้อมูลของคุณ แต่ไม่ต้องกังวลฉันมีเคล็ดลับและลูกเล่นบางอย่างที่จะช่วยให้คุณจัดการกับค่าที่น่ารำคาญเหล่านี้และสร้างการสร้างภาพข้อมูลที่ยอดเยี่ยม
ก่อนอื่นเรามาพูดกันว่าทำไมค่า 'น่าน' ปรากฏขึ้นในตอนแรก พวกเขาสามารถปรากฏขึ้นได้ด้วยเหตุผลหลายประการ อาจมีข้อผิดพลาดระหว่างการรวบรวมข้อมูลเช่นความผิดปกติของเซ็นเซอร์หรือรายการที่ขาดหายไปในสเปรดชีต หรือบางทีข้อมูลอาจไม่มีอยู่สำหรับการสังเกตโดยเฉพาะ ตัวอย่างเช่นหากคุณกำลังรวบรวมข้อมูลเกี่ยวกับความสูงของผู้คนและบางคนไม่ต้องการแบ่งปันข้อมูลนั้นค่าเหล่านั้นจะเป็น 'Nan'
ตอนนี้เมื่อพูดถึงการแสดงข้อมูลด้วยค่า 'น่าน' ขั้นตอนแรกคือการคิดออกว่าจะทำอย่างไรกับพวกเขา มีวิธีการทั่วไปบางประการ
ตัวเลือกหนึ่งคือการลบแถวหรือคอลัมน์ที่มีค่า 'NAN' นี่อาจเป็นการแก้ไขที่รวดเร็วและง่ายดายโดยเฉพาะอย่างยิ่งหากคุณมีชุดข้อมูลขนาดใหญ่และจำนวน 'Nan' ค่าค่อนข้างเล็ก อย่างไรก็ตามคุณต้องระวังวิธีนี้ การลบข้อมูลสามารถเบี่ยงเบนผลลัพธ์ของคุณและให้ภาพที่ผิด ๆ เกี่ยวกับสิ่งที่เกิดขึ้นจริง ตัวอย่างเช่นหากคุณกำลังวิเคราะห์ข้อมูลการขายและคุณลบแถวทั้งหมดด้วยค่า 'NAN' คุณอาจพลาดแนวโน้มหรือรูปแบบที่สำคัญที่เกี่ยวข้องกับรายการที่ขาดหายไป
อีกวิธีหนึ่งคือการเติมค่า 'น่าน' ด้วยอย่างอื่น คุณสามารถใช้ค่าเฉลี่ยค่ามัธยฐานหรือโหมดของข้อมูลที่มีอยู่ ตัวอย่างเช่นหากคุณกำลังดูชุดข้อมูลของอุณหภูมิและมีค่า 'น่าน' สองสามค่าคุณสามารถคำนวณอุณหภูมิเฉลี่ยของค่าที่ไม่ใช่ - 'น่าน' และใช้สิ่งนั้นเพื่อเติมเต็มช่องว่าง สิ่งนี้สามารถช่วยให้ข้อมูลของคุณราบรื่นและทำให้มองเห็นภาพได้ง่ายขึ้น แต่อีกครั้งมันไม่ใช่ทางออกที่สมบูรณ์แบบ การใช้สถิติสรุปเพื่อกรอกค่า 'NAN' สามารถบิดเบือนข้อมูลของคุณได้โดยเฉพาะอย่างยิ่งหากข้อมูลมีความแปรปรวนมากมาย
คุณสามารถใช้เทคนิคขั้นสูงเพิ่มเติมเช่นการแก้ไข การแก้ไขเกี่ยวข้องกับการประมาณค่าที่หายไปตามค่าของจุดข้อมูลโดยรอบ ตัวอย่างเช่นหากคุณมีชุดข้อมูลชุดเวลาที่มีค่า 'NAN' คุณสามารถใช้การแก้ไขเชิงเส้นเพื่อประเมินว่าค่าควรอยู่ที่จุดเวลาที่หายไปเหล่านั้น นี่อาจเป็นวิธีที่แม่นยำยิ่งขึ้นในการจัดการกับค่า 'น่าน' แต่ก็อาจซับซ้อนและใช้เวลามากขึ้น
เมื่อคุณตัดสินใจว่าจะทำอย่างไรกับค่า 'น่าน' ก็ถึงเวลาที่จะเริ่มแสดงข้อมูลข้อมูลของคุณ มีเครื่องมือมากมายที่สามารถช่วยคุณสร้างการสร้างภาพข้อมูลที่ยอดเยี่ยม บางคนยอดนิยม ได้แก่ ไลบรารี Python เช่น Matplotlib และ Seoborn รวมถึงแพ็คเกจ R เช่น GGPLOT2
สมมติว่าคุณมีชุดข้อมูลการขายผลิตภัณฑ์เมื่อเวลาผ่านไปและมีค่า 'น่าน' เล็กน้อย คุณตัดสินใจที่จะเติมเต็มค่า 'Nan' ด้วยจำนวนยอดขายเฉลี่ย ตอนนี้คุณต้องการสร้างแผนภูมิบรรทัดเพื่อแสดงแนวโน้มการขาย ด้วย Matplotlib ใน Python คุณสามารถทำอะไรแบบนี้ได้:
นำเข้า matplotlib.pyplot เป็น plt นำเข้า pandas เป็น pd # สมมติว่า 'data' คือ dataframe ของคุณที่มีข้อมูลการขายข้อมูล = pd.read_csv ('sales_data.csv') # เติม 'data' 'data' (sales ' plt.xlabel ('วันที่') plt.ylabel ('sales') plt.title ('ยอดขายผลิตภัณฑ์ตลอดเวลา') plt.show ()รหัสนี้อ่านในข้อมูลการขายของคุณจากไฟล์ CSV เติมค่า 'NAN' ด้วยจำนวนยอดขายเฉลี่ยแล้วสร้างแผนภูมิบรรทัดง่ายๆเพื่อแสดงแนวโน้มการขายเมื่อเวลาผ่านไป
หากคุณสนใจการสร้างภาพข้อมูลที่ซับซ้อนมากขึ้นเช่นแผนการกระจายหรือแผนภูมิแท่งเครื่องมือเหล่านี้สามารถจัดการได้เช่นกัน ตัวอย่างเช่นหากคุณมีชุดข้อมูลที่เปรียบเทียบยอดขายของผลิตภัณฑ์และการจัดอันดับลูกค้าที่แตกต่างกันและมีค่า 'Nan' บางส่วนในคอลัมน์การให้คะแนนคุณสามารถสร้างพล็อตกระจายเพื่อดูว่ามีความสัมพันธ์ระหว่างการขายและการจัดอันดับหรือไม่
ตอนนี้ฉันต้องการพูดถึงผลิตภัณฑ์บางอย่างที่เราเสนอที่ บริษัท ของเรา เรามีอุปกรณ์ XPON ONU ที่ยอดเยี่ยมจริงๆ ตรวจสอบไฟล์XPON ONU 4GE WIFI5 AC1200- เป็นอุปกรณ์ที่ยอดเยี่ยมสำหรับการเข้าถึงอินเทอร์เน็ตที่มีความเร็วสูงพร้อมความสามารถในการสร้าง - ใน WI - FI 5 และหากคุณต้องการบางสิ่งที่มีคุณสมบัติเพิ่มเติมลองดูที่ไฟล์XON UN 4GE CATV POTS WIFI5 AC1200- อันนี้ไม่เพียง แต่ให้การเข้าถึงอินเทอร์เน็ต แต่ยังรองรับการเชื่อมต่อ CATV และ POT สำหรับเทคโนโลยีล่าสุดใน WI - FIถ้ำ voip 4ge นี้ cave6เป็นวิธีที่จะไป มันให้การเชื่อมต่อที่สูง - ความเร็วสูง - FI 6 พร้อมกับการสนับสนุน VoIP และ CATV
หากคุณอยู่ในตลาดสำหรับผลิตภัณฑ์ประเภทนี้หรือมีคำถามใด ๆ เกี่ยวกับการแสดงข้อมูลด้วยค่า 'น่าน' อย่าลังเลที่จะเข้าถึง เราอยู่ที่นี่เพื่อช่วยให้คุณใช้ประโยชน์สูงสุดจากข้อมูลของคุณและรับผลิตภัณฑ์ที่เหมาะสมสำหรับความต้องการของคุณ ไม่ว่าคุณจะเป็นเจ้าของธุรกิจขนาดเล็กที่ต้องการปรับปรุงโครงสร้างพื้นฐานทางอินเทอร์เน็ตของคุณหรือนักวิเคราะห์ข้อมูลที่พยายามทำความเข้าใจกับข้อมูลที่ยุ่งเหยิงเรามีวิธีแก้ปัญหาสำหรับคุณ ดังนั้นเรามาเริ่มการสนทนาและดูว่าเราสามารถทำงานร่วมกันได้อย่างไร!
การอ้างอิง
- Vanderplas, J. (2016) คู่มือวิทยาศาสตร์ข้อมูล Python: เครื่องมือสำคัญสำหรับการทำงานกับข้อมูล O'Reilly Media
- Wickham, H. (2016) GGPLOT2: กราฟิกที่สง่างามสำหรับการวิเคราะห์ข้อมูล สปริงเกอร์
