Altavoz | Transcripción |
| Así que bienvenidos todos. Me llamo |
| 00 | 07.933 |
| 3 |
| Embajador con JMP. ahora soy un |
| profesor jubilado de negocios |
| 00 | 30.566 |
| 7 |
| entre un estudiante y un |
| profesor trabajando en un proyecto. |
| 00 | 49.700 |
| 11 |
| 12 |
| involucrar a los estudiantes en estadística |
| razonar, enseñar que |
| 00 | 12.433 |
| dieciséis |
| a eso, el pensamiento actual es |
| que los estudiantes deben estar aprendiendo |
| sobre flujos de trabajo reproducibles, |
| 00 | 36.266 |
| 21 |
| manejo de datos elementales. Y, |
| de nuevo, viendo las estadísticas como |
| 00 | 58.800 |
| 25 |
| 26 |
| quería unirme a ustedes hoy en esto |
| llamada virtual gracias por tener |
| 00 | 20.600 |
| 30 |
| y concretamente en Manhattan, |
| y nos lo habías pedido así que tú |
| 00 | 36.433 |
| 34 |
| Y elegimos hacer el Airbnb |
| perspectiva del arrendatario. entonces estamos |
| 00 | 51.733 |
| 38 |
| caro. |
| Así que nosotros |
| comenzaste a llenar... nos diste |
| 00 | 09.166 |
| 43 |
| 44 |
| problema separado, de su principal |
| enfoque de encontrar un lugar en |
| 00 | 36.066 |
| 49 |
| obtienes... si superas el |
| primeras tres preguntas, has |
| 00 | 54.100 |
| 53 |
| saber, hay una parte de |
| Manhattan, ¿te interesa? |
| 00 | 11.133 |
| 58 |
| repositorio al que nos enviaste. |
| Y descargamos el realmente |
| 00 | 26.433 |
| 32.866 |
| 63 |
| cosa que encontramos, había como |
| cuatro columnas en este conjunto de datos |
| 00 | 46.766 |
| 67 |
| descubrí que eso era esto |
| uno, el barrio anfitrión. Asi que |
| 00 | 58.100 |
| 71 |
| 72 |
| me di cuenta de que los dos primeros |
| solo tengo toneladas de pequeños |
| 00 | 13.300 |
| 76 |
| Manhattan. Así que seleccionamos |
| Manhattan. Y luego cuando tuvimos |
| 00 | 29.700 |
| 80 |
| eso y luego así es como llegamos |
| nuestros listados de Manhattan. Asi que |
| 00 | 44.033 |
| 84 |
| dato es que te topas con estos |
| cuestiones como por qué hay cuatro |
| 00 | 03.300 |
| 88 |
| restringido a Manhattan, voy a |
| volver y limpiar algunos |
| 00 | 18.033 |
| 92 |
| datos describirán todo lo que |
| hizo para obtener los datos, hablaremos |
| 00 | 28.400 |
| 33.200 |
| 97 |
| Sé que se supone que debo combinar |
| ellos basados en código postal, el código postal, |
| 00 | 47.166 |
| 101 |
| 102 |
| 107 columnas, |
| simplemente es difícil encontrar el |
| 00 | 09.366 |
| 106 |
| ellos, así que sabíamos que teníamos que limpiar |
| eso arriba Muy bien, también tuvimos |
| 00 | 27.366 |
| 111 |
| diario de notas. Con el fin de |
| limpia esto, usamos la recodificación |
| 00 | 45.500 |
| 115 |
| Exactamente. Enfriar. |
| Bien, hicimos la limpieza. |
| 00 | 02.200 |
| 119 |
| Los datos fiscales de Manhattan tienen este código postal |
| código. Así que tengo este código postal |
| 00 | 19.300 |
| 123 |
| día de clase, cuando hablábamos |
| sobre |
| tipos de datos. Y fíjate en el |
| 00 | 42.300 |
| 128 |
| el...analizar la distribución de |
| esa columna, hará un divertido |
| 00 | 03.200 |
| 133 |
| Manhattan realmente no dice |
| eres una cosa |
| Pero el código postal limpia los datos en |
| 00 | 18.466 |
| 23.266 |
| 139 |
| solo una etiqueta, un identificador y |
| más al punto, |
| cuando quieras unirte o fusionarte |
| 00 | 41.833 |
| 48.766 |
| 145 |
| importante. no es solo un |
| idea abstracta. no puedes fusionar |
| 00 | 03.166 |
| 11.266 |
| 150 |
| nominal fue el tipo de modelado, |
| solo nos aseguramos. |
| 00 | 26.200 |
| 31.033 |
| 155 |
| sobre la mesa principal es el |
| listados Quiero guardar |
| 00 | 45.533 |
| 159 |
| para combinarlo con el impuesto de Manhattan |
| datos. |
| Sí. ¿Y que? Entonces tenemos que |
| 00 | 03.266 |
| 164 |
| dile que la columna se llama |
| zip limpio, |
| código postal limpio... |
| Casi. Aquí vamos. |
| Y la columna llamada zip, que |
| 00 | 33.200 |
| 171 |
| 172 |
| Listado de Airbnb |
| y combinarlo con cualquier cosa en |
| 00 | 57.033 |
| 177 |
| 178 |
| en la tabla cada fila, ya sea |
| coincide con el otro o |
| 00 | 13.233 |
| 182 |
| mesa principal, y luego solo las cosas |
| que se superpone desde el segundo |
| 00 | 29.600 |
| 186 |
| otro nombre como Air BnB IRS |
| ¿o algo? si, es mucho |
| 00 | 50.966 |
| 190 |
| haz una cosa más |
| porque noté que estos son solo |
| tablas de datos dispersas |
| 00 | 06.666 |
| 195 |
| correr. Bueno. Así que guardaré esto |
| tabla de datos. ¿Ahora que? |
| Y realmente, estos son los datos. |
| 00 | 19.833 |
| 22.033 |
| 26.266 |
| 35.466 |
| 203 |
| cualquier otra cosa, antes de que perdamos |
| seguimiento de dónde estamos, vamos |
| 00 | 49.733 |
| 58.800 |
| 01.833 |
| 209 |
| o el equipo de roble? |
| Y entonces |
| parte de la idea de un proyecto |
| 00 | 23.700 |
| 214 |
| cosa. Así que si usted |
| agarrar, yo diría, tomar el |
| 00 | 50.100 |
| 218 |
| 219 |
| 220 |
| dos conjuntos de datos originales, y luego |
| mi fusión final. OK ahora |
| 00 | 16.200 |
| 225 |
| ellos como pestañas. |
| Y a medida que genera gráficos y |
| 00 | 36.566 |
| 229 |
| 230 |
| 231 |
| incluso cuando lo tengo en estos |
| pestañas. Está bien, eso es genial. |
| 00 | 58.833 |
| 02.500 |
| 236 |
| a la derecha, vamos Oak Team. |
| Bueno, hola, Dr. Carver, muchas gracias. |
| 00 | 19.233 |
| 240 |
| solo echarías un vistazo a algunos de |
| estas cosas, y avísame si |
| 00 | 32.300 |
| 244 |
| usamos Graph Builder para ver |
| el precio por barrio. Y |
| 00 | 45.400 |
| 248 |
| ayudar a que sea un poco más fácil |
| comparar entre ellos. Entonces somos amables |
| 00 | 01.000 |
| 252 |
| tener mucha experiencia con |
| Nueva York. Así que trazamos |
| 00 | 18.166 |
| 256 |
| pararse frente a la ONU y |
| tomar una foto con todos los |
| 00 | 31.733 |
| 260 |
| diciendo en Gramercy Park o |
| Colina Murray. |
| Si miramos hacia atrás a la |
| 00 | 46.566 |
| 265 |
| pensamos que deberíamos ampliar nuestra |
| buscar más allá de ese barrio para |
| 00 | 58.766 |
| 269 |
| 270 |
| acaba de trazar lo que los promedios |
| eran para los barrios pero |
| 00 | 14.533 |
| 274 |
| el modelado, y para modelar el |
| predicción. Así que si pudiéramos poner |
| 00 | 30.766 |
| 279 |
| precio esperado. Empezamos |
| construyendo un modelo y lo que hemos |
| 00 | 42.800 |
| 283 |
| factores Y entonces cuando ponemos |
| esos factores en solo un |
| 00 | 58.833 |
| 287 |
| más, algunas de las estadísticas de ajuste |
| nos has hablado en clase. |
| 00 | 15.466 |
| 292 |
| pero sobre todo es una nube alrededor |
| esa línea cero residual. Asi que |
| 00 | 30.766 |
| 296 |
| que era mucho más grande que cualquiera de |
| nuestros otros modelos. Entonces sabemos |
| 00 | 45.800 |
| 300 |
| razones por las que usamos datos reales. |
| A veces, esto es real. Esto es |
| 00 | 58.266 |
| 304 |
| ¿buscando? |
| Así son los valores residuales. |
| 00 | 19.266 |
| 309 |
| es bueno. Ah, guay. |
| Enfriar. Ok, entonces buscaré |
| 00 | 34.966 |
| 313 |
| es más o menos cómo estamos respondiendo |
| nuestras pocas preguntas importantes. Y |
| 00 | 47.300 |
| 317 |
| era muy dificil de limpiar |
| los datos y unir los datos. |
| 00 | 57.866 |
| 03.500 |
| 322 |
| quería demostrar cómo JMP |
| en combinación con un mundo real |
| 00 | 28.700 |
| 327 |
| Número uno en un proyecto real, |
| el alcance es importante. Queremos |
| 00 | 47.600 |
| 331 |
| espero traer a la |
| al grupo Trampa número dos, |
| es vital explorar el |
| 00 | 08.033 |
| 336 |
| el área de vinculación de datos |
| combinar datos de múltiples |
| 00 | 27.800 |
| 341 |
| recodificación |
| y asegurándose de que sea vinculable |
| 00 | 45.100 |
| 345 |
| 346 |
| la investigación reproducible es vital, |
| especialmente en un contexto de equipo, |
| especialmente para proyectos que pueden |
| 00 | 05.966 |
| 351 |
| costumbres de garantizar |
| reproducibilidad Y finalmente, |
| esperamos que note que en estos |
| 00 | 32.633 |
| 356 |
| en el cómputo y |
| la interpretación cae por la |
| 00 | 51.900 |
| 360 |
