Projekt
Ako veľmi sa líšia hodnotenia 1 339 vzoriek kávy? Rozpätie, IQR, smerodajná odchýlka, ploty, šikmosť a čistenie chybných hodnôt.
Coffee Quality Institute nechal vyškolených hodnotiteľov ochutnať a obodovať tisíce vzoriek kávy z celého sveta. V tomto projekte pracuješ s 1 339 vzorkami a opíšeš, ako veľmi sa hodnotenia líšia: spočítaš miery variability, nájdeš odľahlé hodnoty, rozhodneš, ktoré sú chybou a ktoré skutočnou výnimkou, a zistíš, čo s mierami urobí jediná zvláštna vzorka.
Každý krok je samostatná úloha s kontrolou a nápovedami. Kódové kroky už majú načítané dáta, takže chyba v jednom kroku nepokazí ďalšie.
Súbor kava.csv: oddeľovač bodkočiarka, desatinná bodka, prázdna bunka znamená chýbajúcu hodnotu.
Jeden riadok je jedna ohodnotená vzorka kávy.
| stĺpec | význam | jednotka alebo hodnoty |
|---|---|---|
celkove_body | celkové hodnotenie kvality | body, stupnica 0 až 100 |
druh | druh kávovníka | Arabica, Robusta |
krajina | krajina pôvodu | 36 krajín |
sposob_spracovania | spracovanie plodov po zbere | premývaná, sušená, polopremývaná, medová, iná |
aroma, chut, kyslost, telo | čiastkové senzorické hodnotenia | body, stupnica 0 až 10 |
vyska_m | priemerná nadmorská výška farmy | metre nad morom |
pocet_vriec | počet vriec, ku ktorým sa hodnotenie vzťahuje | počet |
vady_1, vady_2 | počet závažných a menej závažných vád zelenej kávy | počet |
Bodové hodnotenia sú stupnice bez prirodzenej nuly: 0 bodov za chuť neznamená „žiadna chuť“.
Zdroj: databáza hodnotení Coffee Quality Institute, ktorú zozbieral James LeDoux (licencia MIT) a sprístupnil projekt TidyTuesday (CC0). Názvy stĺpcov a kategórie spracovania sú preložené, hodnoty sú pôvodné.
kava.csv1339 riadkov, 12 stĺpcov
| celkove_body | druh | krajina | sposob_spracovania | aroma | chut | kyslost | telo | vyska_m | pocet_vriec | vady_1 | vady_2 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 90.58 | Arabica | Ethiopia | premývaná | 8.67 | 8.83 | 8.75 | 8.5 | 2075.0 | 300 | 0 | 0 |
| 89.92 | Arabica | Ethiopia | premývaná | 8.75 | 8.67 | 8.58 | 8.42 | 2075.0 | 300 | 0 | 1 |
| 89.75 | Arabica | Guatemala | NaN | 8.42 | 8.5 | 8.42 | 8.33 | 1700.0 | 5 | 0 | 0 |
| 89.0 | Arabica | Ethiopia | sušená | 8.17 | 8.58 | 8.42 | 8.5 | 2000.0 | 320 | 0 | 2 |
| 88.83 | Arabica | Ethiopia | premývaná | 8.25 | 8.5 | 8.5 | 8.42 | 2075.0 | 300 | 0 | 2 |
Kroky idú za sebou. V kódových krokoch sú dáta aj výsledky predchádzajúcich krokov už pripravené.
Krok 1
Opíš, ako veľmi sa líši hodnotenie chuti (chut, stupnica 0 až 10). Tabuľka df je už načítaná.
rozpatie ulož variačné rozpätie a do iqr medzikvartilové rozpätie chuti.sd ulož výberovú smerodajnú odchýlku (delenie ) a do sd_pop populačnú (delenie ).Výstup sa zobrazí po spustení.
Spusti kód a oprav chyby, kým neprejdú všetky kontroly.
Krok 2
Hodnotenie chuti má variačné rozpätie 8,83 bodu, ale medzikvartilové rozpätie len 0,42 bodu.
Čo je najlepšie vysvetlenie?
Krok 3
Nájdi vzorky s odľahlým hodnotením chuti.
dolny_plot a horny_plot ulož ploty podľa pravidla .pocet_pod a pocet_nad ulož počet vzoriek pod dolným a nad horným plotom.Výstup sa zobrazí po spustení.
Spusti kód a oprav chyby, kým neprejdú všetky kontroly.
Krok 4
V stĺpci vyska_m (priemerná nadmorská výška farmy) je 1 109 známych hodnôt. Niektoré vyzerajú podozrivo.
nemozne ulož počet vzoriek s výškou nad 8 849 m (Mount Everest).vyska_ok ulož výšky bez týchto nemožných hodnôt.median_pred, median_po, sd_pred a sd_po ulož medián a výberovú smerodajnú odchýlku pred vyčistením
a po ňom.Výstup sa zobrazí po spustení.
Spusti kód a oprav chyby, kým neprejdú všetky kontroly.
Krok 5
Pri nadmorskej výške farmy je horný plot 2 350 m. Nad ním leží napríklad hodnota 190 164 m, ale aj 2 560 m.
Čo urobíš s týmito dvoma hodnotami?
Krok 6
Zisti, aký tvar má rozdelenie chuti a koľko na ňom urobí jediná vzorka s chuťou 0 bodov.
sikmost a spicatost ulož šikmosť a špicatosť chuti všetkých vzoriek.chut_bez_nuly ulož chuť bez vzorky s nulou a do sikmost_bez_nuly a spicatost_bez_nuly jej šikmosť
a špicatosť.Výstup sa zobrazí po spustení.
Spusti kód a oprav chyby, kým neprejdú všetky kontroly.
Krok 7
Pre chuť všetkých 1 339 vzoriek vrátil pandas chut.kurt() hodnotu 94,75.
Čo to hovorí o rozdelení chuti?
Krok 8
Kolega chce porovnať variabilitu rôznych stĺpcov variačným koeficientom.
Pri ktorom stĺpci má variačný koeficient vecný zmysel?
Krok 9
Líši sa chuť kávy podľa spôsobu spracovania?
porovnanie ulož pre každý spôsob spracovania počet, medián a smerodajnú odchýlku chuti
(stĺpce count, median, std).iqr s medzikvartilovým rozpätím chuti v každej skupine.Výstup sa zobrazí po spustení.
Spusti kód a oprav chyby, kým neprejdú všetky kontroly.
Krok 10
Pražiareň sa rozhoduje, či nakupovať radšej premývanú, alebo sušenú kávu. Chce vedieť, ktorá má lepšiu a vyrovnanejšiu chuť.
Na základe predchádzajúceho kroku napíš odporúčanie (5 až 8 viet). Porovnaj typickú chuť aj variabilitu oboch skupín s konkrétnymi číslami, povedz, či sa z dát dá rozdiel tvrdiť, a uveď, na čo si treba dať pozor.