发掘有意义洞察的道路往往始于一个简单的步骤：在提出问题之前先审视数据。通过对艾姆斯住房数据集的探索，我们不仅进行了一次探索，更讲述了一个关于数字中隐藏的故事的叙事，这些故事正等待被揭示。通过“数据优先方法”，我们邀请您深入数据驱动的故事叙述过程，其中每一次可视化、每一次统计检验以及每一个假设都构成了更大叙事的一部分。这篇博文旨在引导您逐步理解和呈现数据，从数据集的初始广阔视角到假设检验的聚焦视角，从而解开艾姆斯住房市场中错综复杂的故事。
展开数据故事：从初窥到深入分析
图片来源：Emily Morter。部分权利保留。
概述
这篇博文分为三部分；它们是：
- 数据优先方法
- 以数据为基础，通过可视化揭示
- 从模式到证明：艾姆斯住房市场中的假设检验
数据优先方法
问题在前，还是数据在前？
开启我们的数据科学之旅，往往涉及一个反直觉的第一个步骤：在提出任何具体问题之前，先从数据本身开始。这种观点是“数据优先方法”的核心，这种哲学倡导通过让数据引领方向来发现的力量。这种方法提倡开放式探索，将手头的数据集（例如详细而丰富的艾姆斯住房数据集）转变为一盏指路明灯，揭示故事、秘密和进行深入分析的潜力。这种哲学敦促我们放下先入为主的观念，让数据固有的趋势、模式和洞察自然浮现。
采用这种方法的简洁三步指南包括：
- 数据概览：第一个步骤，强调我们的“数据优先方法”，涉及理解数据的规模和形态，正如揭示无形中所强调的。此阶段对于掌握数据集的范围和处理任何缺失值至关重要，为全面分析奠定基础。
- 理解数据类型范围： 深入研究我们的数据集，我们探索它包含的各种数据类型，这是选择视觉效果和构建分析问题的关键一步。这种探索，类似于浏览探索字典，对于根据数据的固有特征调整我们的分析和可视化策略至关重要，确保我们的方法既相关又有效。
- 描述性统计： 正如解码数据中所述，此步骤提供了定量总结和理解数据集的工具，为我们进行更深入的分析和解释做准备。
将这些步骤整合到我们的初步探索中，突出了“数据优先方法”，系统地揭示了艾姆斯住房数据集中嵌入的故事。每个步骤都成为揭示完整叙事的基石。通过让数据先说话，我们揭示了数字中隐藏的最引人入胜的故事。
通过我的书《数据科学入门指南》启动您的项目。它提供了带有工作代码的自学教程。
以数据为基础，通过可视化揭示
遵循我们的“数据优先方法”，即我们优先彻底理解数据集及其变量，我们自然会进入下一个关键步骤：可视化。在此阶段，我们对数据的初步接触会指导我们选择最合适的视觉工具，以阐明我们发现的洞察。可视化不仅仅是让数据看起来吸引人；它是故事讲述过程中不可或缺的一部分，使我们能够“展示，而非讲述”数据中隐藏的故事。其艺术在于选择与数据叙事产生共鸣的正确可视化类型，这一决定深深植根于我们的初步探索。以下是一些关键的可视化及其最佳用例：
- 直方图：非常适合展示单个数值变量的分布。直方图有助于识别数据的偏度、峰值和分布范围，使其成为分析人口收入水平或年龄等变量的理想选择。
- 条形图：适用于比较不同类别之间的数量。使用条形图突出组间的差异，例如不同区域的销售额或按产品类别划分的客户数量。
- 折线图：最适合显示随时间变化的数据趋势。折线图是可视化股票价格变化、一年中的温度波动或季度销售增长的首选。
- 散点图：非常适合探索两个数值变量之间的关系。散点图可以帮助识别相关性，例如广告支出与销售收入之间的关系，或身高与体重之间的相关性。
- 箱线图（盒须图）：用于总结数据集的分布并比较组间分布。箱线图提供了对数据中位数、四分位数和潜在异常值的洞察，使其对统计分析（例如比较不同教室的考试分数）很有价值。
- 热力图：非常适合可视化复杂数据矩阵，显示相似性或变异模式。热力图在显示一天中不同时间的网站流量来源或理解地理数据分布等领域是有效的。
- 地理空间地图：非常适合展示具有地理成分的数据，允许对不同区域的模式和趋势进行可视化表示。地理空间地图非常适合可视化人口密度、按地点划分的销售分布或任何具有空间元素的数据。它们有助于识别区域趋势，对于需要地理背景的分析（例如不同城市的市场渗透率或世界各地气候变化的影响）非常宝贵。
- 堆叠条形图：非常适合显示部分与整体的关系以及跨类别的比较，每个条形段代表一个子类别的值。使用堆叠条形图来展示按产品类型划分的多个时期的销售数据。
- 面积图：类似于折线图，但线下方填充，面积图有助于强调随时间变化的幅度。它们非常适合可视化累积总量，例如网站流量来源或人口增长。
- 成对图：非常适合同时探索多个变量之间的相关性和分布。成对图（或散点图矩阵）提供了数据集中每个变量之间关系的全面视图，突出显示可能值得进一步调查的潜在关系和趋势。它们在分析的早期阶段特别有用，可以快速评估潜在的感兴趣变量。
可视化是一个迭代过程。最初的视觉效果往往会引出新的问题，促使进一步的分析和更精细的视觉效果。这个循环增强了我们的理解，逐渐揭示了数据中更完整的叙事。要深入了解使用艾姆斯住房数据集的迭代可视化过程，让我们探索可能的问题以及有助于回答这些问题的视觉类型。以下是一些问题以及建议的视觉类型：
- 不同月份和季节的销售价格呈现出哪些模式？
- 可视化：折线图或条形图，用于分析销售价格的季节性趋势。
- 不同分区分类中，土地面积与销售价格相比如何？
- 可视化：散点图，每个分区分类使用不同颜色，以探索土地面积与销售价格之间的关系。
- 拥有游泳池对房产销售价格有何影响？
- 可视化：箱线图，比较有游泳池和无游泳池房屋的销售价格。
- 建造年份和翻新年份如何影响房产的整体状况和销售价格？
- 可视化：成对图，同时探索建造年份、翻新年份、整体状况和销售价格之间的关系。
- 靠近各种便利设施（公园、学校等）与销售价格之间是否存在关联？
- 可视化：地理空间地图，叠加显示便利设施的邻近性，并使用散点图将这些距离与销售价格关联起来。
这些问题鼓励从不同角度探索数据集，通过迭代可视化获得更丰富的理解。每次可视化不仅回答了最初的问题，还可能引发进一步的探究，展示了数据探索和故事讲述的动态过程。
从模式到证明：艾姆斯住房市场中的假设检验
在沉浸于“数据优先方法”并利用视觉的力量来揭示艾姆斯住房数据集中隐藏的模式和关系之后，我们的旅程将进入假设形成和检验的关键阶段。这种提问、探索和推断的迭代过程代表了数据驱动故事讲述的精髓，将观察转化为可操作的洞察。
现在，我们准备提出更深层的问题，这些问题受到我们视觉效果所揭示的模式和异常的启发。以下是几个我们之前的帖子中尚未展示的可能方向：
- 销售价格是否取决于社区？
- 统计检验：单因素方差分析（One-way ANOVA），用于比较多个社区的销售价格，假设方差相等；否则，使用 Kruskal-Wallis 检验。
- 不同类型的住宅（例如，单层住宅与两层住宅）之间的销售价格是否存在显著差异？
- 统计检验：对于多个组使用 ANOVA，或对于比较两种特定住宅类型使用 t 检验。
- 不同外部材料的房屋销售价格是否存在显著差异？
- 统计检验：在将销售价格分类为不同区间（低、中、高）后，使用卡方独立性检验，并与外部材料类型进行比较。
- 房屋的销售价格是否受到出售季节的影响？
- 统计检验：根据数据分布，使用 Kruskal-Wallis 检验或 ANOVA，比较不同季节的销售价格中位数，以确定一年中的某些时间是否带来更高的销售价格。
- 有地下室和无地下室对销售价格是否有显著影响？
- 统计检验：t 检验或 Mann-Whitney U 检验（根据数据分布），比较有地下室的房屋与无地下室的房屋的销售价格。
从可视化到假设检验的转变不仅仅是分析性的；它是一个创造性的过程，涉及将数据洞察合成为引人入胜的叙事。每个经过检验的假设都阐明了房地产市场中正在发挥作用的动态，为艾姆斯数据集的更广泛故事贡献了章节。当我们验证或驳斥我们的假设时，我们不仅仅是在收集证据；我们正在构建一个以数据为基础的故事。这个叙事可能会揭示艾姆斯房地产市场如何随着季节的节奏而跳动，或者现代性如何要求溢价，反映了当代买家的偏好。
想开始学习数据科学新手指南吗？
立即参加我的免费电子邮件速成课程（附示例代码）。
点击注册，同时获得该课程的免费PDF电子书版本。
进一步阅读
资源
总结
通过将“数据优先方法”与视觉的迭代探索和假设检验的严谨性相结合，我们解锁了对数据更深层次的理解。这种方法不仅增强了我们的理解，还为我们提供了引人入胜、令人信服地分享发现的工具，将数据探索转化为一个与受众产生共鸣的引人入胜的叙事。通过拥抱这条三重视角之路——以数据为基础，通过视觉揭示，并通过假设叙述——我们创造的故事不仅能提供信息，还能启发灵感，展示数据驱动的故事讲述的变革力量。
具体来说，你学到了：
- 数据优先思维的重要性。
- 迭代发现可视化构建中的作用。
- 假设检验的创造性过程。
您有任何问题吗？请在下面的评论中提出您的问题，我将尽力回答。
暂无评论。