Ей там! Като доставчик на продукти на NAN, често ме питат как да визуализирам данни със стойности на „NAN“. „Nan“, който означава „а не число“, може да бъде истинска болка във врата, когато се опитвате да осмислите данните си. Но не се притеснявайте, имам няколко съвета и трикове, които ще ви помогнат да се справите с тези досадни ценности и да създадете страхотни визуализации.
Първо, нека поговорим за това защо стойностите на „NAN“ се появяват на първо място. Те могат да се появят по куп причини. Може би е имало грешка по време на събирането на данни, като неизправност на сензора или липсващ запис в електронна таблица. Или може би данните просто не съществуват за определено наблюдение. Например, ако събирате данни за височините на хората и някои хора не искаха да споделят тази информация, тези стойности ще бъдат „NAN“.
Сега, когато става въпрос за визуализиране на данни със стойностите на „NAN“, първата стъпка е да разберете какво да правите с тях. Има няколко общи подхода.
Една от възможностите е просто да премахнете редовете или колоните, които съдържат стойности „NAN“. Това може да бъде бързо и лесно поправяне, особено ако имате голям набор от данни и броят на стойностите на „NAN“ е сравнително малък. Трябва обаче да внимавате с този метод. Премахването на данни може да изкриви резултатите ви и да ви даде фалшива картина за това, което наистина се случва. Например, ако анализирате данните за продажбите и премахвате всички редове със стойности „NAN“, може да пропуснете важни тенденции или модели, свързани с тези липсващи записи.
Друг подход е да попълните стойностите на „NAN“ с нещо друго. Можете да използвате средната, средната или режима на наличните данни. Например, ако разглеждате набор от данни за температури и има няколко стойности „NAN“, можете да изчислите средната температура на стойностите, които не са „NAN“ и да го използвате, за да попълните заготовките. Това може да ви помогне да изгладите вашите данни и да улесните визуализирането. Но отново, това не е перфектно решение. Използването на обобщена статистика за попълване на стойностите на „NAN“ също може да изкриви вашите данни, особено ако данните имат много променливост.
Можете също така да използвате по -модерни техники като интерполация. Интерполацията включва оценка на липсващите стойности въз основа на стойностите на околните точки от данни. Например, ако имате набор от данни от серия от време със стойности „NAN“, можете да използвате линейна интерполация, за да прецените какви трябва да са стойностите в тези липсващи времеви точки. Това може да бъде по -точен начин за справяне със стойностите на „NAN“, но също така може да бъде по -сложен и време - да се консумира.
След като сте решили какво да правите със стойностите „NAN“, е време да започнете да визуализирате вашите данни. Има тонове инструменти, които могат да ви помогнат да създадете страхотни визуализации. Някои популярни включват библиотеки на Python като Matplotlib и Seaborn, както и R пакети като GGPLOT2.
Да речем, че имате набор от данни за продажбите на продукти с течение на времето и има няколко стойности „NAN“. Решихте да попълните стойностите „NAN“ със средната сума на продажбите. Сега искате да създадете линейна диаграма, за да покажете тенденцията за продажби. С Matplotlib в Python можете да направите нещо подобно:
Импортирайте matplotlib.pyplot като plt импортиране на панди като pd # Да приемем, че „данни“ е вашата рамка за данни с данни за продажбите на данни = pd.read_csv ('sales_data.csv') # попълване на 'nan' стойности със средни данни ['sales'] = данни ['sales']. fillna (data ['sales']. plt.xlabel ('дата') plt.ylabel ('sales') plt.title ('продажби на продукти във времето') plt.show ()Този код чете в данните ви за продажби от CSV файл, попълва стойностите на „NAN“ със средната сума на продажбите и след това създава проста линия на линейната диаграма, за да покаже тенденцията на продажбите във времето.
Ако се интересувате от по -сложни визуализации, като разпръснати сюжети или бар диаграми, тези инструменти могат да се справят и с тях. Например, ако имате набор от данни, който сравнява продажбите и оценките на клиентите на различни продукти и има някои стойности на „NAN“ в колоната Ratings, можете да създадете сюжет за разпръскване, за да видите дали има връзка между продажбите и оценките.
Сега искам да спомена някои от продуктите, които предлагаме в нашата компания. Имаме някои наистина готини устройства на Xpon ONU. ВижтеXpon onu 4ge wifi5 AC1200. Това е чудесно устройство за достъп до интернет с висока скорост с вградени - в Wi - Fi 5 възможности. И ако имате нужда от нещо с повече функции, погледнетеXon un 4ge catv саксии wifi5 ac1200. Този не само осигурява достъп до интернет, но също така поддържа CATV и POTS връзки. За най -новата технология Wi - Fi,Този tut 4ge voip cave cati6е пътят. Той предлага висока скорост Wi - Fi 6 свързаност заедно с поддръжка на VOIP и CATV.
Ако сте на пазара за този вид продукти или имате въпроси относно визуализирането на данни със стойностите на „NAN“, не се колебайте да достигнете. Тук сме, за да ви помогнем да се възползвате максимално от вашите данни и да получите правилните продукти за вашите нужди. Независимо дали сте собственик на малък бизнес, който иска да подобри вашата интернет инфраструктура или анализатор на данни, който се опитва да осмисли разхвърляните данни, имаме решения за вас. Така че, нека започнем разговор и да видим как можем да работим заедно!
ЛИТЕРАТУРА
- Vanderplas, J. (2016). Наръчник за наука за данни на Python: Основни инструменти за работа с данни. O'Reilly Media.
- Wickham, H. (2016). GGPLOT2: Елегантна графика за анализ на данни. Спрингър.
