Làm thế nào để bạn tạo một biểu đồ phân phối trong python?

Bắt đầu từ đây? . Kiểm tra đầu

Mục tiêu của bài học này

Trong bài học này, bạn sẽ học cách

Sử dụng dữ liệu chuyến bay, bạn sẽ tìm hiểu cách so sánh tốt hơn các xu hướng giữa các hãng hàng không, điều chỉnh phân tích của bạn dựa trên số lượng chuyến bay mà một hãng hàng không bay. Cuối cùng, bạn sẽ biết hãng hàng không và sân bay nào ít nhiều đáng tin cậy—và thậm chí có thể đến kịp Lễ Tạ Ơn năm nay

Đang tải dữ liệu vào sổ ghi chép Chế độ Python

Chế độ là một nền tảng phân tích tập hợp trình soạn thảo SQL, sổ ghi chép Python và trình tạo trực quan hóa dữ liệu. Xuyên suốt hướng dẫn này, bạn có thể sử dụng Chế độ miễn phí để thực hành viết và chạy mã Python

Đối với bài học này, bạn sẽ sử dụng hồ sơ về các chuyến bay nội địa của Hoa Kỳ từ Bộ Giao thông Vận tải Hoa Kỳ. Để truy cập dữ liệu, bạn sẽ cần sử dụng một chút SQL. Đây là cách

1. Đăng nhập vào Chế độ hoặc tạo tài khoản
2. Điều hướng đến báo cáo này và nhấp vào Sao chép. Thao tác này sẽ đưa bạn đến Trình soạn thảo truy vấn SQL, với truy vấn và kết quả được điền trước
3. Nhấp vào Python Notebook bên dưới Notebook trong bảng điều hướng bên trái. Điều này sẽ mở một sổ ghi chép mới, với kết quả của truy vấn được tải dưới dạng khung dữ liệu
4. Ô nhập đầu tiên được tự động điền bằng

   
   WN    21150
   EV    11371
   OO    10804
   AA     9841
   DL     9803
   UA     8624
   MQ     8060
   US     6353
   B6     4401
   NK     2133
   AS     2104
   F9     1848
   HA     1354
   VX      781
   Name: unique_carrier, dtype: int64
       

   5. Chạy mã này để bạn có thể thấy năm hàng đầu tiên của tập dữ liệu

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

6 là một đối tượng danh sách. Được lồng trong danh sách này là một DataFrame chứa các kết quả được tạo bởi truy vấn SQL mà bạn đã viết. Để tìm hiểu thêm về cách truy cập truy vấn SQL trong Mode Python Notebooks, hãy đọc tài liệu này

Bây giờ bạn đã sẵn sàng để đi

Định hướng với dữ liệu

Bài học này sử dụng dữ liệu về sự chậm trễ chuyến bay của Hoa Kỳ. Đối với một từ điển dữ liệu với nhiều thông tin hơn, bấm vào đây

Sau khi làm theo các bước trên, hãy truy cập sổ ghi chép của bạn và nhập NumPy và Pandas, sau đó gán DataFrame của bạn cho biến

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

7 để dễ dàng theo dõi

import pandas as pd
import numpy as np
    

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

chuyến bay_dateunique_carrierflight_numorigindestarr_delaycancelled distancecarrier_delayweather_delaylate_aircraft_delaynas_delaysecurity_delayactual_elapsed_time02015-01-02AA1JFKLAX-19. 00. 02475. 0NaNNaNNaNNaNNaN381. 012015-01-03AA1JFKLAX-39. 00. 02475. 0NaNNaNNaNNaNNaN358. 022015-01-04AA1JFKLAX-12. 00. 02475. 0NaNNaNNaNNaNNaN385. 032015-01-05AA1JFKLAX-8. 00. 02475. 0NaNNaNNaNNaNNaN389. 042015-01-06AA1JFKLAX25. 00. 02475. 00. 00. 00. 025. 00. 0424. 0

Bay có thể là một nỗ lực lâu dài và bực bội ở Hoa Kỳ. S. , đặc biệt là vào các ngày lễ và mùa bão khi các chuyến bay bị chậm hàng giờ, đôi khi vài ngày. Với tư cách là người tiêu dùng, chúng ta thường nhận thức được những xu hướng đó, nhưng còn xu hướng chậm trễ hàng ngày của các chuyến bay thì sao?

Một trong những cách tốt nhất để trả lời những câu hỏi như thế này là xem xét sự phân bố của các biến liên quan. Bạn có thể coi phân phối của tập dữ liệu hoặc biến là danh sách các giá trị có thể có và một số chỉ báo về tần suất xuất hiện của mỗi giá trị. Để cập nhật nhanh về bản phân phối, hãy xem bài học này

Trước khi bạn xem xét sự phân bố về sự chậm trễ giữa các hãng hàng không, hãy bắt đầu bằng cách khám phá xem hãng hàng không nào có nhiều sự chậm trễ nhất

Đầu tiên, xây dựng chuỗi cho biết các chuyến bay có bị hoãn hay không, giống như bạn đã làm trong bài học trước

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

Bây giờ hãy đếm số chuyến bay bị hoãn cho mỗi hãng hàng không. Vì bạn chỉ theo đuổi một giá trị cho mỗi hãng hàng không nên bạn không phải dùng

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

8,

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

9 và

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

0 như bài học trước. Thay vào đó, chỉ cần lọc tập dữ liệu, đếm các hàng cho mỗi lần mang bằng cách sử dụng

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

1

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

1

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

Có thể là một ý tưởng hay nếu xem xét tỷ lệ chuyến bay bị hoãn của từng hãng hàng không, thay vì chỉ xem xét tổng số chuyến bay bị hoãn của từng hãng hàng không

ABC của phân tích. Luôn tò mò. Một nhà phân tích giỏi sẽ luôn hoài nghi và tò mò. Khi bạn đạt đến một điểm trong phân tích của mình mà bạn có thể có câu trả lời, hãy tiến xa hơn một chút. Xem xét điều gì có thể ảnh hưởng đến kết quả của bạn và điều gì có thể hỗ trợ cho lập luận phản bác. Phân tích tốt nhất sẽ được trình bày dưới dạng một phiên bản rất tinh tế của cuộc điều tra rộng hơn. Luôn luôn tò mò

Tỷ lệ chuyến bay bị hoãn

Để tính tỷ lệ chuyến bay bị hoãn, hãy hoàn thành 4 bước sau

1. Nhóm theo nhà cung cấp dịch vụ và bị trì hoãn

Nhóm các chuyến bay theo

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

2 và

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

3, lấy số đếm bằng

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

9 [như bạn đã làm trong bài học trước, sử dụng

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

0 để trả về DataFrame

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

trễ

Vì bạn sẽ sử dụng điều này để phân tích thêm, sẽ rất hữu ích khi sử dụng

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

6 để dọn dẹp chỉ mục. Trong khi bạn đang ở đó, hãy gán DataFrame mới cho một biến

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

9

bị trì hoãnunique_carrierFalseTrue0AA891298411AS352721042B6483244013DL1771998034EV1059611371

2. Tạo cột tổng số chuyến bay

Tạo một cột dẫn xuất đơn giản tổng hợp các chuyến bay bị trễ và đúng giờ cho mỗi hãng vận chuyển. Nếu bạn muốn làm mới trên các cột dẫn xuất, hãy quay lại

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

0

bị trì hoãnunique_carrierFalseTrueflights_count0AA89129841187531AS3527210456312B64832440192333DL177199803275224EV105961137121967

3. Tính tỷ lệ tổng số chuyến bay bị hoãn

Chia số chuyến bay bị hoãn cho tổng số chuyến bay để có tỷ lệ chuyến bay bị hoãn. Lưu trữ cái này dưới dạng một cột dẫn xuất khác

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

1

bị trì hoãnunique_carrierFalseTrueflights_countproportion_delayed0AA89129841187530. 5247691AS3527210456310. 3736462B64832440192330. 4766603DL177199803275220. 356188

4. Sắp xếp theo tỷ lệ chuyến bay bị hoãn

Cuối cùng, xuất toàn bộ bảng, được sắp xếp theo tỷ lệ các chuyến bay bị hoãn bởi hãng

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

0

bị trì hoãnunique_carrierFalseTrueflights_countproportion_delayed7MQ46928060127520. 6320585F91103184829510. 6262288NK1550213336830. 5791470AA89129841187530. 52476910UA78858624165090. 5223829OO997710804207810. 5198984EV1059611371219670. 5176406HA1351135427050. 50055513WN2178921150429390. 4925592B64832440192330. 47666011US78506353142030. 44730012VX125478120350. 3837841AS3527210456310. 3736463DL177199803275220. 356188

Điều này vẽ ra một bức tranh rất khác - Southwest đứng ở giữa nhóm khi nói đến tỷ lệ các chuyến bay bị hoãn

Nhưng còn khoảng thời gian hành khách bị hoãn trên mỗi hãng hàng không thì sao? . Hành khách quan tâm nhiều hơn đến sự chậm trễ của chuyến bay dài hơn so với chuyến bay ngắn hơn và họ có thể chọn một hãng hàng không khác với kỷ lục về sự chậm trễ dài. Đối với hành khách, hãng hàng không nào có vẻ đáng tin cậy hơn?

Bần tiện

Giá trị trung bình, hay giá trị trung bình, cho bạn ý tưởng chung về số phút chuyến bay bị hoãn đối với mỗi hãng hàng không. . Pivot_table[] tính toán giá trị trung bình của các giá trị được tổng hợp theo mặc định. Bạn có thể xoay cột

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

2 để xem thời gian trễ trung bình được tổng hợp bởi hãng hàng không

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

1

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

2

Lưu ý rằng vì

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

8 được tính toán

data.groupby[['unique_carrier','delayed']].size[].unstack[]
    

9 theo mặc định, điều trên thực sự giống như khi bạn chuyển đối số như thế này một cách rõ ràng [và nó tạo ra kết quả chính xác như vậy]

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

3

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

2

Thống kê cơ bản với

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

90

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

90 là một hàm tiện dụng khi bạn đang làm việc với các cột số. Bạn có thể sử dụng

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

90 để xem một số thống kê cơ bản về cột, chẳng hạn như giá trị trung bình, tối thiểu, tối đa và độ lệch chuẩn. Điều này có thể cung cấp cho bạn tổng quan nhanh về hình dạng của dữ liệu

Trước khi sử dụng

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

93, hãy chọn chuỗi

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

94 cho tất cả các chuyến bay Tây Nam

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

5

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

6

Trong trường hợp khó hiểu, đây là những gì vừa xảy ra, được đánh giá từ trong ra ngoài, sau đó từ trái sang phải

1. 
   WN    21150
   EV    11371
   OO    10804
   AA     9841
   DL     9803
   UA     8624
   MQ     8060
   US     6353
   B6     4401
   NK     2133
   AS     2104
   F9     1848
   HA     1354
   VX      781
   Name: unique_carrier, dtype: int64
       

   95 tạo một chỉ mục boolean trả về

   
   WN    21150
   EV    11371
   OO    10804
   AA     9841
   DL     9803
   UA     8624
   MQ     8060
   US     6353
   B6     4401
   NK     2133
   AS     2104
   F9     1848
   HA     1354
   VX      781
   Name: unique_carrier, dtype: int64
       

   96 cho các hàng đại diện cho các chuyến bay Tây Nam
2. Gói nó trong

   
   WN    21150
   EV    11371
   OO    10804
   AA     9841
   DL     9803
   UA     8624
   MQ     8060
   US     6353
   B6     4401
   NK     2133
   AS     2104
   F9     1848
   HA     1354
   VX      781
   Name: unique_carrier, dtype: int64
       

   97 áp dụng chỉ mục boolean cho DataFrame

   
   WN    21150
   EV    11371
   OO    10804
   AA     9841
   DL     9803
   UA     8624
   MQ     8060
   US     6353
   B6     4401
   NK     2133
   AS     2104
   F9     1848
   HA     1354
   VX      781
   Name: unique_carrier, dtype: int64
       

   7

3. 
   WN    21150
   EV    11371
   OO    10804
   AA     9841
   DL     9803
   UA     8624
   MQ     8060
   US     6353
   B6     4401
   NK     2133
   AS     2104
   F9     1848
   HA     1354
   VX      781
   Name: unique_carrier, dtype: int64
       

   99 giảm các cột xuống chỉ còn cột ['arr_delay'] [và chỉ mục]

Bây giờ bạn có thể chạy

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

90 trên đối tượng mới mà bạn đã tạo này để nhận số liệu thống kê cơ bản

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

7

Đây là một tính năng thực sự khiến python khác biệt với SQL hoặc Excel. Sẽ mất rất nhiều công sức để có được thông tin này trong một trong hai công cụ đó, nhưng ở đây thật dễ dàng như việc thêm phương thức

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

90

Đây là một sự cố nhanh chóng ở trên vì nó liên quan đến bộ dữ liệu cụ thể này

• 
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  02. có 42.020 hàng trong tập dữ liệu, được lọc để chỉ hiển thị Tây Nam [WN]

• 
  data.groupby[['unique_carrier','delayed']].size[].unstack[]
      

  9. độ trễ trung bình

• 
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  04. độ lệch chuẩn. Thêm về điều này dưới đây

• 
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  05. độ trễ ngắn nhất trong tập dữ liệu. Trong trường hợp này, chuyến bay đã rất sớm

• 
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  06. phân vị thứ 25. 25% sự chậm trễ thấp hơn

  
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  07

• 
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  08. phần trăm thứ 50, hoặc

  
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  09. 50% sự chậm trễ thấp hơn

  
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  10

• 
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  11. phân vị thứ 75. 75% sự chậm trễ thấp hơn

  
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  12

• 
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  13. độ trễ dài nhất trong tập dữ liệu.

  
  WN    21150
  EV    11371
  OO    10804
  AA     9841
  DL     9803
  UA     8624
  MQ     8060
  US     6353
  B6     4401
  NK     2133
  AS     2104
  F9     1848
  HA     1354
  VX      781
  Name: unique_carrier, dtype: int64
      

  14

Vấn đề thực hành

Nhận số liệu thống kê cơ bản về sự chậm trễ khi đến của các chuyến bay xuất phát từ Chicago. Sử dụng phương pháp

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

90

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

8

data = datasets[0] # assign SQL query results to the data variable
data = data.fillna[np.nan]
    

9

Nếu tất cả các chuyến bay của Southwest bị hoãn năm phút, nhưng các chuyến bay của American Airlines đôi khi bị hoãn cả ngày, bạn có thể nói rằng sự không chắc chắn về sự chậm trễ của American Airlines cao hơn. Cũng có thể khi các chuyến bay không bị trễ, chúng đến sớm và có thể cho rằng đó là một điểm có lợi cho hãng hàng không. Có rất nhiều sắc thái cho vấn đề này sẽ được khám phá tốt nhất bằng hình ảnh

Bạn có thể biểu thị trực quan sự phân bố độ trễ chuyến bay bằng biểu đồ. Biểu đồ cho phép bạn chuyển các giá trị vào các thùng hoặc phạm vi giá trị cố định và đếm xem có bao nhiêu giá trị rơi vào thùng đó

Trước tiên hãy xem xét một ví dụ nhỏ. Giả sử bạn có hai thùng

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

0

tương ứng với các phạm vi cố định từ 0 đến 10 và 10 đến 20

Và chúng tôi có dữ liệu

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

1

Vì vậy, thùng của chúng tôi chứa

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

2

Vì vậy, biểu đồ sẽ trông như thế này

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

3

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

4

Một điều rất quan trọng cần lưu ý là biểu đồ không phải là biểu đồ thanh. Trong biểu đồ thanh, chiều cao của thanh biểu thị một giá trị số [chẳng hạn như số chuyến bay bị hoãn], nhưng bản thân mỗi thanh biểu thị một danh mục—thứ không thể đếm, tính trung bình hoặc tính tổng [như hãng hàng không]

Trong một biểu đồ, chiều cao của các thanh biểu thị một số giá trị số, giống như biểu đồ thanh. Tuy nhiên, bản thân các thanh không thể được phân loại—mỗi thanh là một nhóm được xác định bởi một biến định lượng [như thời gian trễ chuyến bay]

Một cách để nhanh chóng nhận ra sự khác biệt là biểu đồ không có khoảng cách giữa các thanh. Bởi vì chúng đại diện cho các giá trị trên phổ liên tục, nên khoảng cách giữa các vạch sẽ có một ý nghĩa cụ thể. nó sẽ chỉ ra một thùng trống. Biểu đồ thanh có thể có khoảng cách giữa các thanh. Vì chúng hiển thị các danh mục nên thứ tự và khoảng cách không quan trọng bằng

Hãy xem bài đăng trên blog này của Flowing Data để có giải thích tuyệt vời về biểu đồ

numpy

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

16

Giả sử bạn quan tâm đến việc phân tích độ dài của sự chậm trễ và bạn muốn đặt các độ dài này vào các thùng đại diện cho khoảng thời gian 10 phút một lần. Bạn có thể sử dụng phương thức numpy

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

16 để tạo danh sách các số xác định các thùng đó. Các khoảng thời gian mười phút sẽ nằm trong khoảng từ sớm 50 phút [-50] đến trễ 200 phút [200]. Thùng đầu tiên sẽ chứa số chuyến bay đến sớm từ 50 đến 40 phút, sau đó là 40 đến 30 phút, v.v.

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

5

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

6

Hãy vẽ biểu đồ phân phối sự chậm trễ chuyến bay Tây Nam dưới dạng biểu đồ bằng cách sử dụng biến bin_values ​​được tạo ở trên

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

7

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

8

Tuyệt quá. Bạn có thể thấy rằng phần lớn các chuyến bay Southwest không trễ quá 30 phút. Dù hãng có nhiều chuyến nhưng đa số không trễ đến mức khiến bạn tiếc nuối khi đi nghỉ

Vấn đề thực hành

Âm mưu trì hoãn chuyến bay của Virgin America trong khoảng thời gian năm phút từ -50 phút đến 200 phút

data.head[] # our flight data, including delay minute counts by type, and total delay upon arrival
    

9

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

0

Thú vị - xu hướng là một đường cong hình chuông, ngoại trừ việc tăng số lần trễ trong khoảng 20-25 phút

Vấn đề thực hành

Hãy tìm hiểu các chuyến bay của Virgin America bị hoãn bất ngờ. Những chuyến bay nào bị hoãn từ 20-25 phút?

Dung dịch? . Cũng lưu ý rằng chúng tôi chưa chuẩn hóa dữ liệu này về tần suất hãng hàng không bay từ sân bay đó, vì vậy chúng tôi chưa biết liệu có ít chuyến bay bị trễ từ SF hoặc LA hơn so với các sân bay khác hay không

chuyến bay_ngàyunique_carrierflight_numorigindestarr_delaycancelled distancecarrier_delayweather_delaylate_aircraft_delaynas_delaysecurity_delayactual_elapsed_timedelayed595642015-01-02VX969SANSFO-20. 00. 0447. 0NaNNaNNaNNaNNaN86. 0False595652015-01-02VX97IADLAX6. 00. 02288. 0NaNNaNNaNNaNNaN350. 0True599972015-01-14VX720SFODAL3. 00. 01476. 0NaNNaNNaNNaNNaN209. 0True599982015-01-14VX730DALDCA1. 00. 01184. 0NaNNaNNaNNaNNaN160. 0True599992015-01-14VX731DCADAL14. 00. 01184. 0NaNNaNNaNNaNNaN230. 0Đúng

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

1

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

2

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

3

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

4

So sánh phân phối với biểu đồ

Nhìn thấy một phân phối là hữu ích để cung cấp cho chúng tôi hình dạng của dữ liệu, nhưng còn hai thì sao?

So sánh sự phân bố của 2 hãng hàng không có tổng số chuyến bay tương đương nhau là US Airways và Envoy Air

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

5

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

6

Hai bản phân phối trông giống nhau, nhưng không giống nhau [màu thứ ba là nơi chúng chồng lên nhau]. Bạn có thể dùng. description[] để xem số liệu thống kê chính về các nhà cung cấp dịch vụ

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

7

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

8

Có vẻ như sự chậm trễ trên Envoy Airlines được phân phối nhiều hơn so với sự chậm trễ trên US Airways, nghĩa là các giá trị được trải rộng hơn

Độ lệch chuẩn

Một trong những biện pháp bạn thấy ở trên là

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

04, độ lệch chuẩn, mô tả cách phân tán sự chậm trễ chuyến bay. Khi so sánh các biểu đồ, bạn có thể thấy rằng sự chậm trễ của US Airways tập trung nhiều nhất trong khoảng từ -20 đến 20 phút, trong khi sự chậm trễ chuyến bay của Envoy Air phân bổ nhiều hơn từ 0 đến 200 phút. Bạn có thể nói rằng sự chậm trễ của Envoy Air phân tán hơn so với sự chậm trễ của US Airways, có nghĩa là đối với một chuyến bay nhất định của một trong hai hãng hàng không, bạn sẽ ít chắc chắn hơn về thời gian trì hoãn của chuyến bay Envoy

Phép đo độ lệch chuẩn dựa trên khái niệm thống kê về phân phối chuẩn hoặc dạng phân phối dự kiến ​​phổ biến giữa các loại dữ liệu khác nhau. Giá trị cho độ lệch chuẩn xác định một phạm vi trên và dưới giá trị trung bình mà một tỷ lệ phần trăm nhất định của dữ liệu nằm trong đó. Bạn có thể thấy trong hình ảnh này, đối với phân phối chuẩn

• 34. 1% hồ sơ nằm giữa giá trị trung bình và cao hơn một độ lệch chuẩn
• 34. 1% hồ sơ nằm giữa giá trị trung bình và thấp hơn một độ lệch chuẩn

Vì vậy, bạn có thể nói rằng 68. 2% dữ liệu nằm trong một độ lệch chuẩn của giá trị trung bình

Hình ảnh từ Wikipedia

Dễ hiểu nhất điều này bằng cách chỉ xem xét độ lệch chuẩn từ đầu ra ở trên

data['delayed'] = data['arr_delay'].apply[lambda x: x > 0] #from previous lesson
    

9

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

10

Bạn có thể thấy rằng Envoy Air có trung bình khoảng 35 phút và độ lệch chuẩn khoảng 58 phút. Điều này có nghĩa là 62. 8% các chuyến bay của Envoy Air đến sớm từ 23 phút [35 - 58 = -23] và trễ 93 phút [35 + 58 = 93]

Ngược lại, US Airways có giá trị trung bình thấp hơn, cho thấy trung bình các chuyến bay của họ ít bị trễ hơn. US Airways cũng có độ lệch chuẩn thấp hơn, nghĩa là sự chậm trễ thường gần với giá trị trung bình. Cụ thể hơn, 62. 8% các chuyến bay của US Airways rơi vào khoảng thời gian sớm 27 phút [7 - 34 = -27] và trễ 41 phút [7 + 34 = 41]

Dựa trên thông tin này, bạn có thể nói rằng sự chậm trễ của US Airways có mức độ phân tán thấp hơn so với Envoy Air

Hãy xem xét một khía cạnh rất thực tế khác của dữ liệu này—sự chậm trễ chuyến bay được phân đoạn theo sân bay. Các sân bay phải đối mặt với nhiều thách thức khác nhau, chẳng hạn như thời tiết, thiết kế đường băng và tình trạng tắc nghẽn ảnh hưởng đến việc khởi hành chuyến bay đúng giờ, vì vậy hãy cùng tìm hiểu xem chúng xếp chồng lên nhau như thế nào. Chúng tôi không muốn bị mắc kẹt trên núi trong những ngày đầu năm mới [hay chúng tôi?]

Để dễ dàng hơn, bạn có thể xem 20 sân bay có lượng khách cao nhất theo xuất xứ

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

11

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

12

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

13

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

14

Lọc danh sách các giá trị bằng

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

19

Để tạo một chỉ mục boolean nơi bạn đang tìm kiếm các giá trị khớp với bất kỳ thứ gì trong danh sách, bạn phải sử dụng. isin[] với danh sách phù hợp mong muốn

Bạn có thể tạo bộ lọc chỉ mục boolean cho các bản ghi bắt nguồn ['origin'] trong 20 sân bay có khối lượng lớn nhất

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

15

chuyến bay_ngàyunique_carrierflight_numorigindestarr_delaycancelled distancecarrier_delayweather_delaylate_aircraft_delaynas_delaysecurity_delayactual_elapsed_timedelayed02015-01-02AA1JFKLAX-19. 00. 02475. 0NaNNaNNaNNaNNaN381. 0False12015-01-03AA1JFKLAX-39. 00. 02475. 0NaNNaNNaNNaNNaN358. 0False22015-01-04AA1JFKLAX-12. 00. 02475. 0NaNNaNNaNNaNNaN385. 0False32015-01-05AA1JFKLAX-8. 00. 02475. 0NaNNaNNaNNaNNaN389. 0False42015-01-06AA1JFKLAX25. 00. 02475. 00. 00. 00. 025. 00. 0424. 0Đúng

Để so sánh, việc sử dụng

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

19 trong Python ở trên tương đương với truy vấn SQL sau

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

16

ô hộp

Bây giờ bạn có Khung dữ liệu của các chuyến bay xuất phát từ các sân bay có lượng lớn, bạn có thể hỏi. chuyến bay bị hoãn lâu nhất vào tháng 1 năm 2015 bắt nguồn từ đâu?

Bạn có thể tạo một bảng tổng hợp xoay vòng ngày bay trên sân bay, trong đó các giá trị là giá trị trung bình của độ trễ chuyến bay cho ngày đó

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

17

nguồn gốcATLBOSCLTDENDFWDTWEWRFLLIAHJFKLASLAXLGAMCOMSPORTDPHXSEASFOSLCflight_date2015-01-023. 3275363. 5905800. 50931720. 52689936. 049598-6. 8428098. 316993-0. 54330712. 1561873. 68874213. 70951216. 500000-2. 9477125. 8347341. 1933334. 59006216. 54732512. 2547178. 3714294. 5341612015-01-0315. 42811230. 47161613. 76834051. 18629237. 60413822. 73800737. 37022915. 66666739. 84403731. 88297918. 55068526. 11733815. 60642617. 51136420. 02758637. 99570219. 78384313. 77181211. 77336413. 4651902015-01-0421. 42334326. 86785723. 32507752. 49523838. 36010435. 77162653. 61797825. 29365120. 46428655. 44557819. 56476728. 15901632. 45070439. 84702519. 46127983. 22561920. 18008510. 29126219. 25109215. 5031252015-01-053. 09500011. 2086096. 05167229. 89920028. 70526324. 69659422. 67405113. 7118648. 45050519. 55442217. 22938115. 78861834. 98417714. 92920423. 87456463. 91666713. 6652175. 41806013. 2258062. 0033562015-01-066. 36172543. 31058013. 29496415. 34402911. 53462635. 07861643. 10453023. 4259263. 62264243. 35907313. 3305797. 23400461. 16504929. 9967859. 43508842. 35618312. 1566584. 3721808. 5827160. 5814812015-01-070. 94427610. 6513164. 86956533. 30109510. 42876213. 40372722. 03050811. 25446410. 49047615. 5366807. 4986525. 44244646. 0639738. 977918-1. 66666738. 4793617. 3480289. 4679255. 2892162. 9779412015-01-083. 0330996. 80769210. 48456814. 56987311. 21745020. 59306015. 4194632. 5584421. 5711212. 7490918. 5979116. 1713293. 5752219. 15264847. 26460596. 6955788. 0000008. 7383515. 14148712. 6197182015-01-091. 83349921. 0456035. 74233121. 5512378. 59181034. 66565322. 6321071. 8086967. 61135443. 2949644. 4872458. 14411242. 3255818. 7584106. 83445946. 3558372. 1605507. 4640299. 4251783. 8788932015-01-10-5. 4730463. 763547-1. 6589152. 8220145. 5015822. 5849060. 422680-5. 1722690. 9378881. 2592592. 5647062. 709746-11. 3114750. 2732738. 54285716. 6352092. 213483-2. 7615060. 6216222. 7188942015-01-11-2. 118085-2. 5697675. 78928616. 04597719. 7673135. 808725-1. 670543-3. 00873417. 064904-2. 96415840. 79310324. 195531-7. 576923-2. 2429912. 26449322. 57870411. 5571436. 38113227. 6506335. 9460432015-01-1242. 3753758. 25477714. 97552422. 79144419. 11482024. 6927718. 2197808. 96069922. 7105264. 29710112. 71052610. 98217516. 64150921. 5638631. 27451031. 6760565. 3712307. 31851927. 9187197. 0515462015-01-132. 812957-9. 3841060. 0865059. 7892797. 248656-2. 710692-2. 901024-7. 1187211. 415274-13. 214559-2. 937853-1. 553506-0. 883234-1. 462295-5. 66095923. 3232592. 0839903. 26717611. 1536520. 5280902015-01-14-1. 400000-3. 091216-1. 681250-0. 6388382. 690160-1. 903727-5. 4564463. 360360-0. 530120-14. 911877-3. 695418-2. 9585590. 0029941. 885350-7. 6910302. 735369-1. 161593-1. 1348311. 324455-5. 717949

Bạn có thể sử dụng

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

90 để xem giá trị trung bình và độ phân tán của từng sân bay

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

18

nguồn gốcATLBOSCLTDENDFWDTWEWRFLLIAHJFKLASLAXLGAMCOMSPORTDPHXSEASFOSLCcount13. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 00000013. 000000mean7. 04952211. 6097767. 35053722. 28336418. 21648316. 04434317. 2138706. 93828711. 21608314. 61363811. 72336911. 30248117. 69971511. 9250229. 62724039. 2741239. 2235356. 52683311. 5176445. 083884std12. 79812215. 0048387. 49917216. 17157512. 85443715. 28610118. 71857410. 45238011. 48850422. 61948711. 57410010. 19305723. 42883012. 64702914. 97152428. 1951697. 0515184. 7959028. 7423995. 910367min-5. 473046-9. 384106-1. 681250-0. 6388382. 690160-6. 842809-5. 456446-7. 118721-0. 530120-14. 911877-3. 695418-2. 958559-11. 311475-2. 242991-7. 6910302. 735369-1. 161593-2. 7615060. 621622-5. 71794925%0. 9442763. 5905800. 50931714. 5698738. 5918102. 5849060. 422680-0. 5433071. 5711211. 2592594. 4872455. 442446-0. 8832341. 8853501. 19333322. 5787042. 2134834. 3721805. 2892162. 00335650%3. 0330998. 2547775. 78928620. 52689911. 53462620. 59306015. 4194633. 3603608. 4505054. 29710112. 7105268. 14411215. 6064268. 9779186. 83445937. 9957028. 0000007. 3185199. 4251783. 87889375%6. 36172521. 04560313. 29496429. 89920028. 70526324. 69659422. 67405113. 71186417. 06490431. 88297917. 22938116. 50000034. 98417717. 51136419. 46127946. 35583713. 6652179. 46792513. 2258067. 051546max42. 37537543. 31058023. 32507752. 49523838. 36010435. 77162653. 61797825. 29365139. 84403755. 44557840. 79310328. 15901661. 16504939. 84702547. 26460596. 69557820. 18008513. 77181227. 91871915. 503125

Thật khó để so sánh các sân bay chỉ bằng cách nhìn vào một bảng số lớn. Điều này sẽ dễ dàng hơn nếu bạn nhóm các bản ghi cho từng sân bay và xếp chồng lên nhau, như bạn đã làm với Envoy Air và US Airways

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

19

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

0

Chà, nó cũng khó đọc. Phương pháp xếp chồng các bản phân phối có giới hạn, ít nhất là khi bạn muốn so sánh nhiều bản phân phối cùng một lúc. May mắn thay, có một cách trực quan một chiều về hình dạng của các bản phân phối được gọi là biểu đồ hình hộp.

Các biểu đồ hộp bao gồm các biện pháp phân tán chính giống như bạn nhận được khi chạy

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

90, cho phép nó được hiển thị ở một chiều và dễ dàng so sánh với các bản phân phối khác. Các thành phần của ô hộp là

— Thiết kế bảng điều khiển thông tin, Stephen Few

Hãy thử sử dụng các biểu đồ hộp để so sánh sự phân bố chậm trễ hàng ngày tại mỗi sân bay

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

1

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

2

Như bạn có thể thấy, việc so sánh nhiều bản phân phối với các biểu đồ hộp sẽ đơn giản hơn về mặt trực quan. Các sân bay như JFK có độ trễ phân tán đáng kể, trong khi LGA được phân bổ đều xung quanh độ trễ trung bình thường xuyên nhất. Tuy nhiên, ORD hầu như luôn bị trễ gấp đôi so với mọi sân bay có lượng khách đông đúc khác. Mong đợi sự chậm trễ tuyết ở Chicago vào tháng Giêng

Dẫn dắt phân tích này, chúng tôi đặt ra một số câu hỏi chính. Để trả lời câu hỏi cuối cùng, Những sân bay nào tệ nhất để bay ra?, giờ đây bạn có thể nói rằng bạn [gần như chắc chắn] sẽ bị hoãn nếu bạn bay ra khỏi Chicago vào tháng 1, dựa trên dữ liệu năm 2015. Nếu có thể, hãy tránh các chuyến bay nối chuyến ở Chicago

Vấn đề thực hành

Trực quan hóa độ trễ đến trung bình theo ngày và hãng vận chuyển bằng cách sử dụng các ô hộp

Trong số tất cả các hãng hàng không, Envoy Air có tỷ lệ chậm trễ cao nhất tại các sân bay có lượng khách lớn

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

3

WN    21150
EV    11371
OO    10804
AA     9841
DL     9803
UA     8624
MQ     8060
US     6353
B6     4401
NK     2133
AS     2104
F9     1848
HA     1354
VX      781
Name: unique_carrier, dtype: int64
    

4

Tom tăt bai học

Như bạn đã thấy trong bài học này, đặt dữ liệu tương phản giúp bạn hiểu rõ hơn về nó. Mặc dù rõ ràng là tất cả các hãng hàng không và sân bay đều bị chậm trễ, nhưng bạn có thể sử dụng số liệu thống kê để nhanh chóng rút ra các xu hướng và sự cố bất thường trên dữ liệu. Độ lệch của dữ liệu so với xu hướng thường được thể hiện rõ ràng trong hình ảnh trực quan, cho phép bạn xác định trực quan các sự kiện bất thường và tìm hiểu sâu hơn