Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Statisztikai leíró elemzések automatizálása

4. lecke 14 közül Frissítve 2026. november 5. Középhaladó
Ezen az oldalon
  1. Ismerd meg az adataidat pillanatok alatt
  2. A gyors statisztikai összefoglaló
  3. Statisztika kategóriák szerint
  4. Eloszlások és gyakoriságok
  5. Változók közötti korrelációk
  6. Kiugró értékek (outlierek) észlelése
  7. A leíró jelentés automatizálása
  8. Rajtad a sor
  9. Főbb megállapítások

Ismerd meg az adataidat pillanatok alatt

A leíró statisztika minden elemzés alapköve. Átlag, medián, szórás, eloszlás: ezek a mutatók már azelőtt megmondják, mit tartalmaznak az adataid, hogy bármit is megpróbálnál magyarázni. E lépés kihagyása olyan, mintha egy olyan átlagra alapoznád a javaslatodat, amelyet három extrém érték torzít, majd meggyőződéssel védenéd azt, amit a számok nem támasztanak alá. A ChatGPT segítségével ez a diagnózis egyetlen mondattal elkészül, és az értelmezés azonnal következik.

A gyors statisztikai összefoglaló

Az induláshoz ez a legegyszerűbb parancs:

Give me a complete statistical summary of this dataset.

A ChatGPT általában a pandas describe() függvényére támaszkodik, és kommentárral látja el az eredményt. Minden numerikus oszlopra megkapod a következő mutatókat:

  • count — nem üres értékek száma
  • mean — átlag
  • std — szórás (a szóródás mértéke)
  • min / max — szélsőértékek
  • 25% / 50% / 75% — kvartilisek (medián = 50%)

E sorok összevetése önmagában is tanulságos. Ha egy 10 000 soros fájlban a count 8400, akkor az adatok 16%-a hiányzik, és bármely számított átlag csak a portfólió egy részére vonatkozik. Ha az átlag jelentősen eltér a mediántól, az eloszlás ferde. Ahelyett, hogy ezt a fejszámolást te végeznéd el, egyszerűen kérdezd meg:

Interpret these statistics: which columns have high dispersion?
Are there outliers? Which distributions appear skewed?

Statisztika kategóriák szerint

A globális átlagok szinte mindig elfedik a különbségeket. Egy 180 eurós átlagos kosárméret takarhat egy 900 eurós vállalati szegmenst és egy 60 eurós magánszegmenst is. Ilyenkor az átlag egyetlen valós ügyfelet sem ír le, és az arra alapozott döntés mindkét csoportot teljesen figyelmen kívül hagyja.

Calculate the mean, median, and standard deviation of order amounts
for each product category.

Neked kell kiválasztanod a kérdésedre választ adó mutatót, mert mindegyik mást mér.

MutatóMit mérMikor használd
Átlag (Mean)Középső értékSzimmetrikus adatok, extrém értékek nélkül
Medián (Median)Középső érték a sorba rendezett adatokbanFerde eloszlású adatok vagy kiugró értékek esetén
Szórás (Standard deviation)Az átlag körüli szóródásA teljesítmény ingadozásának felmérésekor
Módusz (Mode)Leggyakoribb értékKategorikus vagy diszkrét adatoknál
KorrelációKét változó közötti lineáris kapcsolatÖsszefüggő tényezők azonosításakor

Eloszlások és gyakoriságok

Egy numerikus változó esetén az eloszlás alakja többet mond, mint az átlag. A hisztogram megmutatja, hogy az összegek egyetlen érték körül csoportosulnak-e, vagy két különálló csúcsra oszlanak-e szét – ez utóbbi két egymást fedő vásárlási magatartásra utalhat ugyanabban az állományban.

Show the distribution of the "order_amount" column
with a histogram and indicate whether it follows a normal distribution.

A ChatGPT generálja a hisztogramot, és alkalmazhat normalitásvizsgálatot is, például a Shapiro–Wilk-tesztet, ami befolyásolja a későbbi tesztek választását. Nagy minták esetén ez a teszt még a legkisebb eltérést is jelzi a normalitástól, ezért az következtetések levonása előtt mindig ellenőrizd a hisztogram alakját. Kategorikus változóknál a logika a gyakoriságokra helyeződik át:

What is the distribution of clients by industry sector?
Display absolute and relative frequencies.

Megkapod az egyes kategóriák darabszámát és százalékos arányát – ez elég ahhoz, hogy észrevedd: egy ágazat a portfólió 60%-át teszi ki, ami azt jelenti, hogy a kockázatod 60%-a ezen múlik, ha az az ágazat lassul.

Változók közötti korrelációk

A korrelációk feltárják a numerikus oszlopaid közötti kapcsolatokat, és új elemzési irányokat nyitnak meg.

Calculate the correlation matrix and identify the pairs
of variables with the highest correlations (positive and negative).

A ChatGPT előállítja a mátrixot, kiemeli a szignifikáns korrelációkat, és elmagyarázza, mit jelentenek ezek a te üzleti kontextusodban. Az eredmények olvasásakor három óvintézkedés szükséges. Először is: a korreláció nem jelent ok-okozati összefüggést; a hirdetési költség és az értékesítés együttes növekedése lehet csupán a szezonalitás közös hatása. Másodszor: a szélsőértékek torzítják az együtthatót – kérd a számítást kiugró értékekkel és anélkül is; a különbség gyakran tanulságos. Végül: a kategorikus változókat alapértelmezetten nem veszi figyelembe. Ha ügyfélszegmenseket vagy értékesítési csatornákat is be szeretnél vonni, kérj előzetes kódolást. Ha tovább szeretnél lépni – csoportok összehasonlítása t-próbával vagy ANOVA-val, illetve kapcsolat modellezése regresszióval –, írd le, mit szeretnél megérteni, kérd a ChatGPT-t a megfelelő technika alkalmazására, és magyaráztasd el az eredményt.

Kiugró értékek (outlierek) észlelése

Egy kiugró érték nem feltétlenül hiba. Egy 95 000 eurós rendelés lehet adatbeviteli hiba, de az év első nagy vállalati szerződése is. A kezelés teljesen eltérő: az egyik esetben javítod, a másikban kiemeled.

Identify outliers in "order_amount"
using the IQR method. List the affected rows
and indicate whether they appear to be errors or legitimate cases.

A ChatGPT kiszámítja az IQR-határokat (Q1 - 1,5 * IQR és Q3 + 1,5 * IQR), és felsorolja a határokon kívül eső értékeket a kontextusukkal együtt. Ezután soronként döntesz ahelyett, hogy az egész köteget elvetnéd – és véletlenül törölnéd éppen azokat az ügyfeleket, akik miatt sikeres volt az éved.

A leíró jelentés automatizálása

Ha már elsajátítottad a módszert, sűrítsd egyetlen prompttá:

Generate a complete descriptive statistical report for this file.
Include: overview, statistics per numerical column,
distribution of categorical variables, main correlations,
detected outliers, and recommendations for the next analysis step.

Ez a prompt egy strukturált dokumentumot hoz létre, amelyet megosztás előtt át kell nézned. Tartsd kéznél: ha minden hónapban ugyanarra az exportra alkalmazod, ez lesz a szabványos kiindulópontod, és összehasonlíthatóvá teszi az időszakokat.

Ötlépéses statisztikai diagnózis Öt lépés: numerikus oszlopok összefoglalása; szegmentálás kategóriák szerint; eloszlások vizsgálata; korrelációk keresése; kiugró értékek azonosítása. STATISZTIKA Ötlépéses statisztikai diagnózis 1 Összefoglalás Oszlopok 2 Szegmensek Kategóriák 3 Formák Eloszlások 4 Kapcsolatok Korrelációk 5 Eltérések Kiugró értékek Egy kiugró érték nem feltétlenül hiba: döntés soronként.
A lecke módszertana.

Rajtad a sor

Az első statisztikai diagnózisod.

  1. Kérd a fájlod statisztikai összefoglalóját, majd annak értelmezését
  2. Hasonlítsd össze az átlagot és a mediánt a fő összeg-oszlopodon
  3. Számold ki ugyanezeket a mutatókat kategóriánként
  4. Jelenítsd meg ennek az oszlopnak az eloszlását, és azonosítsd a kiugró értékeket
  5. Osztályozd minden egyes kiugró értéket: javítandó hiba vagy legitim eset

Hivatalos források: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (OpenAI Help Center)

Főbb megállapítások

  • A statisztikai összefoglaló az első lépésed a tisztítás után
  • Mindig végezz szegmentálást kategóriák szerint – a globális átlagok elfedik a különbségeket
  • A valós adatoknál a medián gyakran megbízhatóbb, mint az átlag
  • A korrelációk elemzési irányokat tárnak fel, nem bizonyosságokat
  • Kérd a ChatGPT-t a számok értelmezésére, ne csak a kiszámításukra