مرحبًا يا من هناك! كمورد لمنتجات NAN ، غالبًا ما يتم سؤالك عن كيفية تصور البيانات بقيم "NAN". يمكن أن يكون "نان" ، الذي يمثل "ليس رقمًا" ، ألمًا حقيقيًا في الرقبة عندما تحاول فهم بياناتك. ولكن لا تقلق ، لقد حصلت على بعض النصائح والحيل التي ستساعدك على التعامل مع هذه القيم المزعجة وخلق تصورات رائعة.
أولاً ، دعنا نتحدث عن سبب ظهور قيم "نان" في المقام الأول. يمكن أن تظهر لمجموعة من الأسباب. ربما كان هناك خطأ أثناء جمع البيانات ، مثل عطل المستشعر أو إدخال مفقود في جدول بيانات. أو ربما البيانات غير موجودة لملاحظة معينة. على سبيل المثال ، إذا كنت تقوم بجمع البيانات على ارتفاعات الأشخاص ولم يرغب بعض الأشخاص في مشاركة هذه المعلومات ، فستكون هذه القيم "نان".
الآن ، عندما يتعلق الأمر بتصور البيانات بقيم "نان" ، فإن الخطوة الأولى هي معرفة ما يجب فعله معها. هناك بعض الأساليب الشائعة.
أحد الخيارات هو إزالة الصفوف أو الأعمدة التي تحتوي على قيم "نان". يمكن أن يكون هذا حلًا سريعًا وسهلًا ، خاصة إذا كان لديك مجموعة بيانات كبيرة وأن عدد قيم "NAN" صغيرة نسبيًا. ومع ذلك ، يجب أن تكون حذراً مع هذه الطريقة. يمكن أن يؤدي إزالة البيانات إلى تشويه نتائجك وتمنحك صورة خاطئة لما يجري بالفعل. على سبيل المثال ، إذا كنت تقوم بتحليل بيانات المبيعات وقمت بإزالة جميع الصفوف بقيم "NAN" ، فقد تفوت الاتجاهات أو الأنماط المهمة المتعلقة بتلك الإدخالات المفقودة.
هناك نهج آخر هو ملء قيم "نان" بشيء آخر. يمكنك استخدام الوسط أو الوسيط أو وضع البيانات المتاحة. على سبيل المثال ، إذا كنت تبحث عن مجموعة بيانات من درجات الحرارة وكان هناك عدد قليل من قيم "نان" ، فيمكنك حساب متوسط درجة حرارة القيم غير النانوية واستخدام ذلك لملء الفراغات. يمكن أن يساعد هذا في تسهيل بياناتك ويسهل تصوره. ولكن مرة أخرى ، إنه ليس حلاً مثاليًا. يمكن أن يؤدي استخدام إحصائيات موجزة لملء قيم "NAN" أيضًا إلى تشويه بياناتك ، خاصةً إذا كانت البيانات لديها الكثير من التباين.
يمكنك أيضًا استخدام المزيد من التقنيات المتقدمة مثل الاستيفاء. يتضمن الاستيفاء تقدير القيم المفقودة بناءً على قيم نقاط البيانات المحيطة. على سبيل المثال ، إذا كان لديك مجموعة بيانات زمنية - سلسلة مع قيم "NAN" ، فيمكنك استخدام الاستيفاء الخطي لتقدير القيم التي يجب أن تكون في تلك النقاط الزمنية المفقودة. يمكن أن يكون هذا وسيلة أكثر دقة للتعامل مع قيم "نان" ، ولكن يمكن أن يكون أيضًا أكثر تعقيدًا ووقتًا - مستهلكًا.
بمجرد أن تقرر ما يجب فعله بقيم "نان" ، فقد حان الوقت للبدء في تصور بياناتك. هناك الكثير من الأدوات التي يمكن أن تساعدك على إنشاء تصورات رائعة. بعضها الشعبية تشمل مكتبات Python مثل Matplotlib و Seaborn ، وكذلك حزم R مثل GGPlot2.
دعنا نقول أنك حصلت على مجموعة بيانات من مبيعات المنتجات مع مرور الوقت ، وهناك عدد قليل من قيم "نان". لقد قررت ملء قيم "نان" بمبلغ المبيعات المتوسط. الآن ، تريد إنشاء مخطط خط لإظهار اتجاه المبيعات. مع Matplotlib في Python ، يمكنك أن تفعل شيئًا كهذا:
استيراد matplotlib.pyplot كما plt استيراد pandas كما pd # افترض "البيانات" هو dataframe الخاص بك مع بيانات المبيعات = pd.read_csv ('sales_data.csv') plt.xlabel ('date') plt.ylabel ('sales') plt.title ('مبيعات المنتج مع مرور الوقت') plt.show ()يقرأ هذا الرمز في بيانات المبيعات الخاصة بك من ملف CSV ، ويملأ قيم "NAN" بمبلغ المبيعات المتوسط ، ثم ينشئ مخططًا بسيطًا لإظهار اتجاه المبيعات مع مرور الوقت.
إذا كنت مهتمًا بتصورات أكثر تعقيدًا ، مثل المخططات المبعثرة أو المخططات الشريطية ، يمكن لهذه الأدوات التعامل معها أيضًا. على سبيل المثال ، إذا كان لديك مجموعة بيانات تقارن بين مبيعات المنتجات وتقييمات العملاء المختلفة ، وهناك بعض قيم "NAN" في عمود التصنيف ، فيمكنك إنشاء مؤامرة مبعثرة لمعرفة ما إذا كانت هناك علاقة بين المبيعات والتصنيفات.
الآن ، أود أن أذكر بعض المنتجات التي نقدمها في شركتنا. لدينا بعض أجهزة Xpon Onu رائعة حقًا. تحقق منXPON ONU 4GE WIFI5 AC1200. إنه جهاز رائع للوصول إلى الإنترنت عالي السرعة مع إمكانات WI - FI 5. وإذا كنت بحاجة إلى شيء مع المزيد من الميزات ، ألق نظرة علىxon un 4ge catv pots wifi5 AC1200. هذا لا يوفر الوصول إلى الإنترنت فحسب ، بل يدعم أيضًا اتصالات CATV و POTS. لأحدث في تقنية WI - FI ،هذا tut 4ge Voip Cave Cati6هو الطريق للذهاب. إنه يوفر اتصالًا عالي السرعة Wi - Fi 6 جنبا إلى جنب مع دعم VoIP و CATV.
إذا كنت في السوق لهذه الأنواع من المنتجات أو لديك أي أسئلة حول تصور البيانات بقيم "NAN" ، فلا تتردد في التواصل. نحن هنا لمساعدتك في تحقيق أقصى استفادة من بياناتك والحصول على المنتجات المناسبة لتلبية احتياجاتك. سواء كنت مالكًا تجاريًا صغيرًا يتطلع إلى تحسين البنية التحتية الخاصة بك على الإنترنت أو محلل بيانات يحاول فهم البيانات الفوضوية ، لدينا حلول لك. لذلك ، دعنا نبدأ محادثة ونرى كيف يمكننا العمل معًا!
مراجع
- Vanderplas ، J. (2016). كتيب علم بيانات بيثون: الأدوات الأساسية للعمل مع البيانات. O'Reilly Media.
- ويكهام ، H. (2016). GGPLOT2: رسومات أنيقة لتحليل البيانات. سبرينغر.
