Благодаря этому простому коду мы узнаем некоторые параметры датасета:
Всего столбов: 27
Среди типов данных есть: bool, float64, int64, str.
Пропусков нет: в каждом столбце по 600 значений Non-Null. Всего строк: 600 (выяснили с помощью df.shape[0]). Следовательно если из 600 значений в каждом столбце все не пустые (Non-Null), то пустых значений в датасете нет вовсе.
Самыми показательными характеристиками для машин в этом датасете являются стоимость бензина в долларах за один километр поездки (cost_per_km_usd) и выбросы CO2 за один километр поездки в килограммах (co2_per_km), поэтому анализируем статистические значения для этих двух столбцов:
| |
Потраченное топливо за 1 км, кг |
Выбросы СО2 за 1 км поездки, кг |
| Среднее значение |
0,08 |
0,16 |
| Медианное значение |
0,08 |
0,16 |
| Максимальное значение |
0,17 |
0,31 |
| Минимальное значение |
0,04 |
0,07 |
Далее методом меквартального размаха (IQR) находим границы нормальных значений и выбросов: ищем 25-ый и 75-ый процентили. По формуле Q1 - 1.5 * IQR (1,5 -- стандартный коэффициент для вычислений по этому методу) находим нижнюю границу, а соответственно по формуле Q3 + 1.5 * IQR находим верхнюю границу. В этих пределах лежат нормальные значения.
Пределы для данных по цене: [0.0224, 0.1353]
Пределы для данных по выбросам СО2: [0.0279, 0.2870]
В столбце с ценами 12 значений, не входящих в этот диапазон, а в столбце с выбросами СО2 таких значений 4.
Далее перейдем к графикам гистограммы и столбчатой диаграммы. Оба ранее анализируемых столбца имеют числовые значения, поэтому гистограмму по ним делать удобно, а вот столбчатый график -- нет. Столбчатой диаграмме подходят значения, которые можно разделить на четкие категории. Например, на марки машины или на тип топлива.Поэтому столбчатая диаграмма сделана для столбца "brand" (марка машины). Гистограмма же сделана для столбца с данными по выделению CO2.