In [1]:
from datetime import datetime
print(f'Päivitetty {datetime.now()}')
Päivitetty 2022-05-24 11:10:36.377831

Dummy-muuttujien yhteenveto selittävän muuttujan mukaan

Dummy-muuttujaksi (binäärinen, dikotominen) kutsutaan muuttujaa, joka saa arvokseen joko 0 (joskus tämän sijasta käytetään tyhjää solua) tai 1.

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. Valintakysmystä ei kannata koodata dummy-muuttujiksi paitsi koneoppimisen malleja käytettäessä.

In [2]:
import pandas as pd
import matplotlib.pyplot as plt

plt.style.use('seaborn-white')
In [3]:
df = pd.read_excel('https://taanila.fi/data1.xlsx')
df
Out[3]:
nro sukup ikä perhe koulutus palveluv palkka johto työtov työymp palkkat työteht työterv lomaosa kuntosa hieroja
0 1 1 38 1 1.0 22.0 3587 3 3.0 3 3 3 NaN NaN NaN NaN
1 2 1 29 2 2.0 10.0 2963 1 5.0 2 1 3 NaN NaN NaN NaN
2 3 1 30 1 1.0 7.0 1989 3 4.0 1 1 3 1.0 NaN NaN NaN
3 4 1 36 2 1.0 14.0 2144 3 3.0 3 3 3 1.0 NaN NaN NaN
4 5 1 24 1 2.0 4.0 2183 2 3.0 2 1 2 1.0 NaN NaN NaN
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
77 78 1 22 1 3.0 0.0 1598 4 4.0 4 3 4 NaN 1.0 1.0 NaN
78 79 1 33 1 1.0 2.0 1638 1 3.0 2 1 2 1.0 NaN NaN NaN
79 80 1 27 1 2.0 7.0 2612 3 4.0 3 3 3 1.0 NaN 1.0 NaN
80 81 1 35 2 2.0 16.0 2808 3 4.0 3 3 3 NaN NaN NaN NaN
81 82 2 35 2 3.0 15.0 2183 3 4.0 4 3 4 1.0 NaN NaN NaN

82 rows × 16 columns

In [4]:
# Yhteenvetoon otettavien dummy-muuttujien nimet
monivalinta = ['työterv', 'lomaosa', 'kuntosa', 'hieroja']
In [5]:
# Valintojen lukumäärät sukupuolen mukaan
df1 = df.groupby('sukup')[monivalinta].sum()

# Miesten ja naisten lukumäärät
miehet = df['sukup'][df['sukup']==1].count()
naiset = df['sukup'][df['sukup']==2].count()

# Prosenttien laskenta: iloc[0] viittaa taulukon ensimmäiseen riviin ja iloc[1] toiseen riviin
df1.iloc[0] = df1.iloc[0] / miehet * 100
df1.iloc[1] = df1.iloc[1] / naiset * 100

# Riviotsikoiden viimeistely
df1.index = [f'Mies, n = {miehet}' , f'Nainen, n = {naiset}']

# Prosenttilukujen ulkoasun viimeistely
df1.style.format('{:.1f} %', decimal=',')
Out[5]:
  työterv lomaosa kuntosa hieroja
Mies, n = 63 55,6 % 25,4 % 12,7 % 20,6 %
Nainen, n = 19 63,2 % 21,1 % 5,3 % 47,4 %
In [6]:
# Vaakapylväskaavio (legend='reverse' kääntää selitteen järjestyksen) 
df1.plot.barh(legend='reverse')

plt.xlabel('% sukupuolesta')

plt.grid(axis = 'x')

Lisätietoa

Data-analytiikka Pythonilla: https://tilastoapu.wordpress.com/python/