Statistici descriptive automate
Pe această pagină
Înțelegeți-vă datele într-o clipită
Statisticile descriptive reprezintă fundamentul oricărei analize. Media, mediana, abaterea standard, distribuția: acești indicatori vă spun ce conțin datele dumneavoastră înainte chiar de a încerca să explicați ceva. Omiterea acestui pas echivalează cu construirea unei recomandări pe baza unei medii distorsionate de trei valori extreme, pe care apoi o apărați cu o convingere pe care cifrele nu o merită. Cu ChatGPT, acest diagnostic necesită o singură propoziție, iar interpretarea urmează imediat.
Rezumatul statistic expres
Cea mai simplă comandă pentru a începe:
Give me a complete statistical summary of this dataset.
ChatGPT se bazează în general pe funcția describe() din pandas și comentează rezultatul. Pentru fiecare coloană numerică, obțineți următorii indicatori:
- count — numărul de valori non-goale
- mean — media
- std — abaterea standard (măsură a dispersiei)
- min / max — valorile extreme
- 25% / 50% / 75% — quartilele (mediana = 50%)
Corelarea acestor rânduri este deja revelatoare. Dacă count este 8.400 într-un fișier de 10.000 de rânduri, 16% din date lipsesc, iar orice medie calculată se aplică doar unei părți din portofoliu. Dacă media diferă semnificativ de mediană, distribuția este asimetrică. În loc să faceți acest calcul mental singur, întrebați pur și simplu:
Interpret these statistics: which columns have high dispersion?
Are there outliers? Which distributions appear skewed?
Statistici pe categorii
Mediile globale ascund aproape întotdeauna disparități. Un coș mediu de 180 € ar putea ascunde un segment corporate la 900 € și un segment individual la 60 €. În acest caz, media nu descrie niciun client real, iar orice decizie bazată pe ea ratează complet ambele populații.
Calculate the mean, median, and standard deviation of order amounts
for each product category.
Trebuie totuși să alegeți indicatorul care răspunde întrebării dumneavoastră, deoarece fiecare măsoară ceva diferit.
| Indicator | Ce măsoară | Când să îl utilizați |
|---|---|---|
| Mean | Valoarea centrală | Date simetrice, fără valori extreme |
| Median | Valoarea din mijloc | Date asimetrice sau cu valori aberante |
| Standard deviation | Dispersia în jurul mediei | Evaluarea variabilității performanței |
| Mode | Valoarea cea mai frecventă | Date categorice sau discrete |
| Correlation | Relația liniară dintre două variabile | Identificarea factorilor corelați |
Distribuții și frecvențe
Pentru o variabilă numerică, forma distribuției vă spune mai multe decât media. O histogramă arată dacă sumele dumneavoastră se grupează în jurul unei singure valori sau se întind pe două vârfuri distincte, semn al a două comportamente de cumpărare suprapuse în același fișier.
Show the distribution of the "order_amount" column
with a histogram and indicate whether it follows a normal distribution.
ChatGPT generează histograma și poate aplica un test de normalitate, cum ar fi testul Shapiro-Wilk, ceea ce influențează alegerea testelor ulterioare. Pe eșantioane mari, acest test semnalează chiar și cea mai mică abatere de la normalitate, așa că verificați forma histogramei înainte de a trage concluzii. Pentru variabilele categorice, logica se schimbă spre frecvențe:
What is the distribution of clients by industry sector?
Display absolute and relative frequencies.
Obțineți numărul și procentul pentru fiecare categorie – suficient pentru a observa că un sector reprezintă 60% din portofoliu, ceea ce înseamnă 60% din riscul dumneavoastră dacă acel sector încetinește.
Corelații între variabile
Corelațiile dezvăluie relațiile dintre coloanele numerice și deschid noi direcții de analiză.
Calculate the correlation matrix and identify the pairs
of variables with the highest correlations (positive and negative).
ChatGPT generează matricea, evidențiază corelațiile semnificative și explică ce înseamnă fiecare în contextul afacerii dumneavoastră. Sunt necesare trei precauții la citirea rezultatelor. În primul rând, corelația nu implică cauzalitate: o creștere concomitentă a bugetului de publicitate și a vânzărilor ar putea fi doar efectul comun al sezonalității. În al doilea rând, valorile extreme distorsionează coeficientul – cereți calculul cu și fără valori aberante; diferența este adesea instructivă. În final, variabilele categorice nu sunt incluse implicit. Pentru a include segmente de clienți sau canale de vânzări, solicitați o codificare prealabilă. Pentru a merge mai departe – compararea grupurilor cu un test t sau ANOVA, sau modelarea unei relații prin regresie – descrieți ceea ce doriți să înțelegeți, cereți-i lui ChatGPT tehnica adecvată și rugați-l să explice rezultatul.
Detectarea valorilor aberante
O valoare aberantă nu este neapărat o eroare. O comandă de 95.000 € ar putea fi o greșeală de introducere a datelor sau primul contract major enterprise al anului. Gestionarea diferă complet: într-un caz o corectați, în celălalt o evidențiați.
Identify outliers in "order_amount"
using the IQR method. List the affected rows
and indicate whether they appear to be errors or legitimate cases.
ChatGPT calculează limitele IQR (Q1 - 1,5 * IQR și Q3 + 1,5 * IQR) și listează valorile din afara limitelor împreună cu contextul lor. Apoi decideți rând cu rând, în loc să eliminați tot lotul – și să ștergeți accidental chiar clienții care v-au făcut anul.
Automatizarea raportului descriptiv
Odată ce ați stăpânit abordarea, condensați-o într-o singură solicitare:
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.
Această solicitare produce un document structurat pe care ar trebui să îl revizuiți înainte de a-l partaja. Păstrați-l la îndemână: aplicat aceleiași exportări în fiecare lună, devine punctul dumneavoastră standard de plecare și face perioadele comparabile.
Pe rândul dumneavoastră
Primul dumneavoastră diagnostic statistic.
- Solicitați rezumatul statistic al fișierului, apoi interpretarea acestuia
- Comparați media și mediana pe coloana principală de sume
- Calculați aceiași indicatori pe categorii
- Afișați distribuția acestei coloane și identificați valorile aberante
- Clasificați fiecare valoare aberantă: eroare de corectat sau caz legitim
Surse oficiale: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Centrul de ajutor OpenAI)
Puncte cheie
- Rezumatul statistic este primul pas după curățarea datelor
- Segmentați întotdeauna pe categorii – mediile globale ascund disparități
- Mediana este adesea mai fiabilă decât media pentru datele din lumea reală
- Corelațiile dezvăluie direcții de analiză, nu certitudini
- Cereți-i lui ChatGPT să interpreteze cifrele, nu doar să le calculeze