Conférencier | Transcription |
| Alors bienvenue à tous. Mon nom est |
| 00 | 07.933 |
| 3 |
| Ambassadeur chez JMP. je suis maintenant un |
| professeur de commerce retraité |
| 00 | 30.566 |
| sept |
| entre un étudiant et un |
| professeur travaillant sur un projet. |
| 00 | 49.700 |
| 11 |
| 12 |
| faire participer les élèves à la statistique |
| raisonnement, enseigne que |
| 00 | 12.433 |
| 16 |
| à cela, la pensée actuelle est |
| que les élèves devraient apprendre |
| sur les workflows reproductibles, |
| 00 | 36.266 |
| 21 |
| gestion des données élémentaires. Et, |
| encore une fois, afficher les statistiques comme |
| 00 | 58.800 |
| 25 |
| 26 |
| Je voulais vous rejoindre aujourd'hui sur ce |
| appel virtuel. Merci d'avoir |
| 00 | 20.600 |
| 30 |
| et plus précisément à Manhattan, |
| et vous nous l'aviez demandé alors vous |
| 00 | 36.433 |
| 34 |
| Et nous avons choisi de faire l'Airbnb |
| point de vue du locataire. Étaient donc |
| 00 | 51.733 |
| 38 |
| chere. |
| Alors on |
| commencé à remplir... vous nous avez donné |
| 00 | 09.166 |
| 43 |
| 44 |
| question distincte, de votre problème principal |
| objectif de trouver une place dans |
| 00 | 36.066 |
| 49 |
| vous obtenez ... si vous passez à travers le |
| trois premières questions, vous avez |
| 00 | 54.100 |
| 53 |
| savoir, y a-t-il une partie de |
| Manhattan, ça vous intéresse ? |
| 00 | 11.133 |
| 58 |
| référentiel auquel vous nous avez envoyé. |
| Et nous avons téléchargé le vraiment |
| 00 | 26.433 |
| 32.866 |
| 63 |
| chose que nous avons trouvée, il y avait comme |
| quatre colonnes dans cet ensemble de données |
| 00 | 46.766 |
| 67 |
| compris alors c'était ça |
| un, le quartier d'accueil. Alors |
| 00 | 58.100 |
| 71 |
| 72 |
| compris que les deux premiers |
| j'ai juste des tonnes de petits tout petits |
| 00 | 13.300 |
| 76 |
| Manhattan. Nous avons donc sélectionné |
| Manhattan. Et puis quand on a eu |
| 00 | 29.700 |
| 80 |
| ça et puis c'est comme ça qu'on a |
| nos listes de Manhattan. Alors |
| 00 | 44.033 |
| 84 |
| les données sont que vous rencontrez ces |
| des questions comme pourquoi y a-t-il quatre |
| 00 | 03.300 |
| 88 |
| limité à Manhattan, je vais |
| revenir en arrière et nettoyer quelques |
| 00 | 18.033 |
| 92 |
| les données décriront tout ce que nous |
| fait pour obtenir les données, nous allons parler |
| 00 | 28.400 |
| 33.200 |
| 97 |
| sais que je suis censé combiner |
| les basé sur zip, le code postal, |
| 00 | 47.166 |
| 101 |
| 102 |
| 107 colonnes, |
| c'est juste difficile de trouver le |
| 00 | 09.366 |
| 106 |
| eux, donc nous savions que nous devions nettoyer |
| ça. D'accord, nous avons également eu |
| 00 | 27.366 |
| 111 |
| journal de notes. Pour |
| nettoyez ça, nous utilisons le recode |
| 00 | 45.500 |
| 115 |
| Exactement. Cool. |
| Bon, alors on a fait le ménage |
| 00 | 02.200 |
| 119 |
| Les données fiscales de Manhattan ont ce zip |
| code. J'ai donc ce code postal |
| 00 | 19.300 |
| 123 |
| jour de classe, quand nous avons parlé |
| sur |
| Types de données. Et remarquez dans le |
| 00 | 42.300 |
| 128 |
| le... analyser la distribution de |
| cette colonne, ça va faire un drôle |
| 00 | 03.200 |
| 133 |
| Manhattan ne dit pas vraiment |
| vous une chose. |
| Mais le code postal nettoie les données dans |
| 00 | 18.466 |
| 23.266 |
| 139 |
| juste une étiquette, un identifiant, et |
| plus au point, |
| quand vous souhaitez rejoindre ou fusionner |
| 00 | 41.833 |
| 48.766 |
| 145 |
| important. Ce n'est pas juste un |
| idée abstraite. Vous ne pouvez pas fusionner |
| 00 | 03.166 |
| 11.266 |
| 150 |
| nominal était le type de modélisation, |
| nous nous sommes juste assurés. |
| 00 | 26.200 |
| 31.033 |
| 155 |
| à propos de la table principale est le |
| Annonces. Je veux garder |
| 00 | 45.533 |
| 159 |
| à combiner avec la taxe de Manhattan |
| Les données. |
| Ouais. Alors quoi? Ensuite, nous devons |
| 00 | 03.266 |
| 164 |
| dites-lui que la colonne intitulée |
| zip propre, |
| code postal propre... |
| Presque. Nous y voilà. |
| Et la colonne appelée zip, qui |
| 00 | 33.200 |
| 171 |
| 172 |
| Annonce Airbnb |
| et faites-le correspondre avec n'importe quoi dans |
| 00 | 57.033 |
| 177 |
| 178 |
| dans le tableau chaque ligne, que ce soit |
| il correspond à l'autre ou |
| 00 | 13.233 |
| 182 |
| table principale, et puis seulement les trucs |
| qui chevauche la deuxième |
| 00 | 29.600 |
| 186 |
| un autre nom comme, Air BnB IRS |
| ou quelque chose? Ouais, c'est beaucoup |
| 00 | 50.966 |
| 190 |
| faire encore une chose |
| parce que j'ai remarqué que ce sont juste |
| tables de données éparpillées |
| 00 | 06.666 |
| 195 |
| fonctionnement. D'accord. Alors je vais garder ça |
| tableau de données. Maintenant quoi? |
| Et vraiment, ce sont les données |
| 00 | 19.833 |
| 22.033 |
| 26.266 |
| 35.466 |
| 203 |
| autre chose, avant de perdre |
| piste d'où nous sommes, allons |
| 00 | 49.733 |
| 58.800 |
| 01.833 |
| 209 |
| ou Oak Team? |
| Et alors |
| partie de l'idée d'un projet |
| 00 | 23.700 |
| 214 |
| chose. Donc si vous |
| saisir, je dirais, prendre le |
| 00 | 50.100 |
| 218 |
| 219 |
| 220 |
| deux ensembles de données d'origine, puis |
| ma finale fusionnée. D'accord maintenant |
| 00 | 16.200 |
| 225 |
| sous forme d'onglets. |
| Et lorsque vous générez des graphiques et |
| 00 | 36.566 |
| 229 |
| 230 |
| 231 |
| même quand je l'ai dans ces |
| onglets. D'accord, c'est vraiment cool. |
| 00 | 58.833 |
| 02.500 |
| 236 |
| à droite, allez Oak Team. |
| Eh bien, salut, Dr Carver, merci beaucoup |
| 00 | 19.233 |
| 240 |
| vous jetteriez juste un coup d'œil à certains de |
| ces choses, et faites-moi savoir si |
| 00 | 32.300 |
| 244 |
| nous avons utilisé Graph Builder pour examiner |
| le prix par quartier. Et |
| 00 | 45.400 |
| 248 |
| aider à être un peu plus facile à |
| comparer entre eux. Alors nous aimons |
| 00 | 01.000 |
| 252 |
| avoir beaucoup d'expérience avec |
| La ville de New York. Alors nous avons comploté |
| 00 | 18.166 |
| 256 |
| debout devant l'ONU et |
| prendre une photo avec tous |
| 00 | 31.733 |
| 260 |
| dire à Gramercy Park ou |
| Murray Hill. |
| Si nous regardons en arrière le |
| 00 | 46.566 |
| 265 |
| pensé que nous devrions étendre notre |
| chercher au-delà de ce quartier pour |
| 00 | 58.766 |
| 269 |
| 270 |
| juste tracé ce que les moyennes |
| étaient pour les quartiers mais |
| 00 | 14.533 |
| 274 |
| la modélisation, et de modéliser |
| prédiction. Donc, si nous pouvions mettre |
| 00 | 30.766 |
| 279 |
| prix prévu. Nous avons commencé |
| construire un modèle et ce que nous avons |
| 00 | 42.800 |
| 283 |
| les facteurs. Et alors quand on met |
| ces facteurs en juste un |
| 00 | 58.833 |
| 287 |
| plus, certaines des statistiques d'ajustement |
| dont vous nous avez parlé en classe. |
| 00 | 15.466 |
| 292 |
| mais surtout c'est un nuage autour |
| cette ligne zéro résiduelle. Alors |
| 00 | 30.766 |
| 296 |
| qui était bien plus grand que n'importe lequel |
| nos autres modèles. Donc nous savons |
| 00 | 45.800 |
| 300 |
| raisons pour lesquelles nous utilisons des données réelles. |
| Parfois, c'est réel. C'est |
| 00 | 58.266 |
| 304 |
| en regardant? |
| Comme ceci est des valeurs résiduelles. |
| 00 | 19.266 |
| 309 |
| est bon. Ah cool. |
| Cool. Bon alors je vais chercher |
| 00 | 34.966 |
| 313 |
| c'est en quelque sorte la façon dont nous répondons |
| nos quelques questions importantes. Et |
| 00 | 47.300 |
| 317 |
| était vraiment difficile à nettoyer |
| les données et de joindre les données. |
| 00 | 57.866 |
| 03.500 |
| 322 |
| voulait démontrer comment JMP |
| en combinaison avec un monde réel |
| 00 | 28.700 |
| 327 |
| Numéro un dans un vrai projet, |
| la portée est importante. Nous voulons |
| 00 | 47.600 |
| 331 |
| espère apporter au |
| au groupe. L'écueil numéro deux, |
| il est essentiel d'explorer le |
| 00 | 08.033 |
| 336 |
| le domaine de la liaison des données |
| combiner les données de plusieurs |
| 00 | 27.800 |
| 341 |
| recodage |
| et en s'assurant que |
| 00 | 45.100 |
| 345 |
| 346 |
| la recherche reproductible est vitale, |
| surtout dans un contexte d'équipe, |
| surtout pour les projets qui peuvent |
| 00 | 05.966 |
| 351 |
| habitudes de garantie |
| reproductibilité. Et enfin, |
| nous espérons que vous remarquerez que dans ces |
| 00 | 32.633 |
| 356 |
| sur le calcul et |
| l'interprétation relève de la |
| 00 | 51.900 |
| 360 |
