In [1]:
from datetime import datetime
print(f'Päivitetty {datetime.now()}')
Dummy-muuttujien yhteenveto
Dummy-muuttujaksi (binäärinen muuttuja, dikotominen muuttuja) kutsutaan muuttujaa, joka saa arvokseen 1 tai 0 (joskus tämän sijasta käytetään tyhjää).
Esimerkiksi kyselytutkimuksessa monivalintakysymys, jonka vaihtoehdoista vastaaja saa valita useammankin kuin yhden, koodataan dummy-muuttujiksi: Jokainen kysymyksen vaihtoehto on muuttuja, joka saa arvokseen 1, jos vastaaja on sen valinnut. Muussa tapauksessa arvo on 0 tai tyhjä.
Tärkeää! Usein valintakysymyksiä (saa valita vain yhden vaihtoehdon) kutsutaan virheellisesti monivalintakysymyksiksi. Valintakysymystä ei kannata koodata dummy-muuttujiksi paitsi koneoppimisen malleja käytettäessä.
In [2]:
import pandas as pd
import matplotlib.pyplot as plt
# Grafiikan tulostaminen Jupyter notebookiin
# Nykyisissä kirjastoversioissa ei enää tarpeellinen
%matplotlib inline
In [3]:
df = pd.read_excel('https://taanila.fi/data1.xlsx')
df.head()
Out[3]:
In [4]:
# Yhteenvetoon otettavien dummy-muuttujien nimet
monivalinta = ['työterv', 'lomaosa', 'kuntosa', 'hieroja']
In [5]:
# Valintojen lukumäärät count-funktiolla lukumäärän mukaan järjestettynä
df1 = df[monivalinta].sum().to_frame('f').sort_values(by = 'f', ascending = False)
# shape[0] antaa datan rivien lukumäärän eli vastaajien lukumäärän
n = df.shape[0]
# Prosentit
df1['% vastaajista'] = df1['f'] / n * 100
df1.index = ['Työterveyshuolto', 'Lomaosake', 'Kuntosali', 'Hieroja']
# Ulkoasun viimeistely
df1.style.format({'f':'{:.0f}', '% vastaajista':'{:.1f} %'})
Out[5]:
In [6]:
# Vaakapylväskaavio
df1['% vastaajista'].plot.barh(zorder = 2)
# x-akselin otsikko
plt.xlabel('% vastaajista, n = ' + str(n))
# Pystysuuntainen taustaviivoitus
plt.grid(axis = 'x')
Lisätietoa
Data-analytiikka Pythonilla: https://tilastoapu.wordpress.com/python/