| Conférencier |
Transcription |
| |
Bienvenue à tous. Je m'appelle |
| 00 |
07.933 |
| |
3 |
| |
Ambassadrice chez JMP. Je suis maintenant… |
| |
professeur de commerce à la retraite |
| 00 |
30,566 |
| |
7 |
| |
entre un étudiant et un |
| |
un professeur travaillant sur un projet. |
| 00 |
49 700 |
| |
11 |
| |
12 |
| |
initier les élèves aux statistiques |
| |
raisonner, enseignez cela |
| 00 |
12,433 |
| |
16 |
| |
à cela, la pensée actuelle est |
| |
que les élèves devraient apprendre |
| |
à propos des flux de travail reproductibles, |
| 00 |
36.266 |
| |
21 |
| |
Gestion élémentaire des données. Et, |
| |
Encore une fois, considérer les statistiques comme |
| 00 |
58 800 |
| |
25 |
| |
26 |
| |
Je voulais me joindre à vous aujourd'hui sur ce sujet. |
| |
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 Airbnb |
| |
Du point de vue d'un locataire. Donc nous sommes |
| 00 |
51,733 |
| |
38 |
| |
cher. |
| |
Donc nous |
| |
J'ai commencé à remplir... vous nous avez donné |
| 00 |
09.166 |
| |
43 |
| |
44 |
| |
problème distinct, de votre problème principal |
| |
se concentrer sur la recherche d'une place dans |
| 00 |
36.066 |
| |
49 |
| |
vous obtenez... si vous réussissez à passer le |
| |
Pour les 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 |
| |
dépôt auquel vous nous avez envoyés. |
| |
Et nous avons téléchargé le vraiment |
| 00 |
26.433 |
| |
32,866 |
| |
63 |
| |
Ce que nous avons trouvé, c'est qu'il y avait comme |
| |
quatre colonnes dans cet ensemble de données |
| 00 |
46,766 |
| |
67 |
| |
J'ai compris, c'était donc ça. |
| |
Premièrement, le quartier d'accueil. Donc |
| 00 |
58.100 |
| |
71 |
| |
72 |
| |
j'ai compris que les deux premiers |
| |
J'ai juste des tas de petits minuscules |
| 00 |
13 300 |
| |
76 |
| |
Manhattan. Nous avons donc choisi |
| |
Manhattan. Et puis, quand nous avons eu |
| 00 |
29 700 |
| |
80 |
| |
Et c'est comme ça qu'on s'est retrouvés. |
| |
Nos annonces à Manhattan. Donc |
| 00 |
44.033 |
| |
84 |
| |
Les données montrent que vous rencontrez ces problèmes. |
| |
des questions comme pourquoi il y en a quatre |
| 00 |
03.300 |
| |
88 |
| |
Je l'ai limité à Manhattan, je vais |
| |
retourner en arrière et nettoyer un peu |
| 00 |
18.033 |
| |
92 |
| |
Les données décriront tout ce que nous |
| |
Nous allons discuter de la manière dont nous avons obtenu les données. |
| 00 |
28 400 |
| |
33 200 |
| |
97 |
| |
je sais que je suis censé combiner |
| |
les classer en fonction du code postal, |
| 00 |
47.166 |
| |
101 |
| |
102 |
| |
107 colonnes, |
| |
c'est juste difficile à trouver |
| 00 |
09.366 |
| |
106 |
| |
nous savions donc que nous devions les nettoyer |
| |
ça. Bon, nous avions aussi |
| 00 |
27,366 |
| |
111 |
| |
journal de notes. Afin de |
| |
Nettoyons cela, nous utilisons le recode |
| 00 |
45 500 |
| |
115 |
| |
Exactement. Génial. |
| |
Bon, alors on a fait le nettoyage. |
| 00 |
02.200 |
| |
119 |
| |
Les données fiscales de Manhattan contiennent ce code postal. |
| |
code. J'ai donc ce code postal |
| 00 |
19 300 |
| |
123 |
| |
le jour du cours, quand nous avons parlé |
| |
à propos |
| |
types de données. Et notez dans le |
| 00 |
42 300 |
| |
128 |
| |
l'analyse de la distribution de |
| |
Cette chronique, ça va être drôle |
| 00 |
03.200 |
| |
133 |
| |
Manhattan ne le dit pas vraiment |
| |
tu es une chose. |
| |
Mais les données propres du code postal dans |
| 00 |
18.466 |
| |
23.266 |
| |
139 |
| |
juste une étiquette, un identifiant, et |
| |
Plus précisément, |
| |
lorsque 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 |
| |
Le type de modélisation était nominal, |
| |
Nous venons de nous en assurer. |
| 00 |
26 200 |
| |
31.033 |
| |
155 |
| |
à propos du tableau principal est le |
| |
annonces. Je veux les conserver |
| 00 |
45 533 |
| |
159 |
| |
pour le combiner avec la taxe de Manhattan |
| |
données. |
| |
Oui. Et ensuite ? Ensuite, nous devons… |
| 00 |
03.266 |
| |
164 |
| |
Dites-lui que la colonne s'appelle |
| |
fermeture éclair propre, |
| |
code postal propre... |
| |
Presque. Voilà. |
| |
Et la colonne appelée zip, qui |
| 00 |
33 200 |
| |
171 |
| |
172 |
| |
Annonce Airbnb |
| |
et l'associer à n'importe quoi dans |
| 00 |
57.033 |
| |
177 |
| |
178 |
| |
les inscrire dans le tableau chaque ligne, que ce soit |
| |
il correspond à l'autre ou |
| 00 |
13.233 |
| |
182 |
| |
table principale, et ensuite seulement les éléments |
| |
qui chevauche la seconde |
| 00 |
29 600 |
| |
186 |
| |
un autre nom comme, Air BnB IRS |
| |
Ou quelque chose comme ça ? Oui, c'est beaucoup. |
| 00 |
50,966 |
| |
190 |
| |
Faites une dernière chose |
| |
parce que j'ai remarqué que ce sont juste |
| |
des tableaux de données dispersés autour |
| 00 |
06.666 |
| |
195 |
| |
Je cours. D'accord. Donc je vais sauvegarder ça. |
| |
Tableau de données. Et maintenant ? |
| |
Et en réalité, ce sont les données. |
| 00 |
19,833 |
| |
22.033 |
| |
26.266 |
| |
35.466 |
| |
203 |
| |
Tout le reste, avant que nous ne perdions |
| |
Pour suivre notre position, faisons-le. |
| 00 |
49,733 |
| |
58 800 |
| |
01,833 |
| |
209 |
| |
ou l'équipe Oak ? |
| |
Et puis |
| |
une 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 originaux, puis |
| |
Ma version finale fusionnée. OK. |
| 00 |
16 200 |
| |
225 |
| |
les présenter sous forme d'onglets. |
| |
Et à mesure que vous générez des graphiques et |
| 00 |
36,566 |
| |
229 |
| |
230 |
| |
231 |
| |
même quand je l'ai dans ces |
| |
Des onglets. Ok, c'est vraiment cool. |
| 00 |
58,833 |
| |
02.500 |
| |
236 |
| |
Allez, l'équipe Oak ! |
| |
Eh bien, bonjour, Dr Carver, merci beaucoup |
| 00 |
19.233 |
| |
240 |
| |
vous ne feriez que jeter un coup d'œil à certains d'entre eux |
| |
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 faciliter un peu les choses |
| |
Comparons-les. Nous avons donc une sorte de |
| 00 |
01.000 |
| |
252 |
| |
j'ai beaucoup d'expérience avec |
| |
New York. Alors nous avons planifié |
| 00 |
18.166 |
| |
256 |
| |
se tenir devant l'ONU et |
| |
prendre une photo avec tous les |
| 00 |
31,733 |
| |
260 |
| |
dire à Gramercy Park ou |
| |
Colline Murray. |
| |
Si nous regardons en arrière |
| 00 |
46,566 |
| |
265 |
| |
nous pensions que nous devrions élargir notre |
| |
chercher au-delà de ce quartier |
| 00 |
58,766 |
| |
269 |
| |
270 |
| |
Je viens de tracer les moyennes |
| |
étaient pour les quartiers mais |
| 00 |
14,533 |
| |
274 |
| |
la modélisation, et modéliser le |
| |
prédiction. Donc, si nous pouvions mettre |
| 00 |
30,766 |
| |
279 |
| |
prix prévu. Nous avons commencé |
| |
construction d'un modèle et ce que nous avons |
| 00 |
42 800 |
| |
283 |
| |
facteurs. Et donc, lorsque nous mettons en œuvre |
| |
ces facteurs en un seul |
| 00 |
58,833 |
| |
287 |
| |
de plus, certaines statistiques sur l'ajustement |
| |
Vous nous en avez parlé en classe. |
| 00 |
15.466 |
| |
292 |
| |
mais surtout, c'est un nuage autour |
| |
cette ligne de zéro résiduel. Donc |
| 00 |
30,766 |
| |
296 |
| |
qui était bien plus grand que n'importe lequel des |
| |
nos autres modèles. Nous savons donc |
| 00 |
45 800 |
| |
300 |
| |
raisons pour lesquelles nous utilisons des données réelles. |
| |
Parfois, c'est réel. C'est |
| 00 |
58,266 |
| |
304 |
| |
regarder? |
| |
Voici des valeurs résiduelles. |
| 00 |
19.266 |
| |
309 |
| |
C'est bien. Ah, cool. |
| |
Super. Bon, je vais donc chercher |
| 00 |
34,966 |
| |
313 |
| |
C'est en quelque sorte notre façon de répondre. |
| |
nos quelques questions importantes. Et |
| 00 |
47 300 |
| |
317 |
| |
c'était vraiment difficile à nettoyer |
| |
les données et les fusionner. |
| 00 |
57,866 |
| |
03.500 |
| |
322 |
| |
je voulais démontrer comment JMP |
| |
en combinaison avec un monde réel |
| 00 |
28 700 |
| |
327 |
| |
Numéro un dans un vrai projet, |
| |
La définition du périmètre est importante. Nous voulons |
| 00 |
47 600 |
| |
331 |
| |
j'espère apporter au |
| |
au groupe. Deuxième piège, |
| |
il est vital d'explorer |
| 00 |
08.033 |
| |
336 |
| |
le domaine de la liaison des données |
| |
combiner des données provenant de plusieurs |
| 00 |
27 800 |
| |
341 |
| |
recodage |
| |
et en veillant à ce que les liens soient possibles |
| 00 |
45.100 |
| |
345 |
| |
346 |
| |
La reproductibilité de la recherche est essentielle. |
| |
notamment dans un contexte d'équipe, |
| |
notamment pour les projets qui peuvent |
| 00 |
05.966 |
| |
351 |
| |
habitudes de garantie |
| |
la reproductibilité. Et enfin, |
| |
nous espérons que vous remarquerez que dans ces |
| 00 |
32,633 |
| |
356 |
| |
sur le calcul et |
| |
L'interprétation tombe sous le coup de la |
| 00 |
51 900 |
| |
360 |
