В предыдущей главе мы учились проверять качество таблицы. Представим, что эта таблица уже аккуратная: пропусков нет, значения допустимы, повторов нет.
| |
A |
B |
C |
D |
| 1 |
student_id |
age |
favorite_subject |
stress_level |
| 2 |
101 |
15 |
физика |
low |
| 3 |
102 |
16 |
информатика |
medium |
| 4 |
103 |
15 |
биология |
high |
| 5 |
104 |
16 |
физика |
medium |
Попробуем задать к столбцам одинаковые вопросы.
- Средний возраст учеников — понятная величина.
- Средний любимый предмет — уже бессмысленная фраза.
- Для
stress_level есть порядок: low < medium < high, но разность между уровнями посчитать нельзя.
student_id выглядит числом, но это всего лишь номер ученика.
Перед вычислениями нужно понять роль признака, а не только посмотреть на то, как он записан.
Числовой признак описывает количество или измерение. Разность между значениями имеет содержательный смысл.
Номинальный категориальный признак показывает принадлежность к группе. Естественного порядка между группами нет.
Порядковый категориальный признак тоже задаёт группы, но между ними есть естественный порядок. Точное расстояние между соседними уровнями при этом не определено.
Идентификатор нужен, чтобы различать объекты. Его числовая запись не делает его измерением.
Инструмент
Pandas умеет показать технические типы хранения: