[PyCPA] Python Data Science Practical Lecture 2nd Loose Awareness

Cours pratique de science des données Python 2e

1.Tout d'abord

Ceci est un résumé de mes propres points perdus après avoir participé à une session d'étude pour la communauté CPA (Certified Accountant) appelée PyCPA. Python Data Science Practical Course 2nd Powered by PyCPA En fait, j'ai participé au cadre LT (l'itinéraire de l'apprentissage de la programmation et le but de cette conférence), mais comme c'est un LT avec seulement l'élan de «je ferai de mon mieux!», Je ne sortirai pas le matériel: suer:

Comme pour Dernière fois, ce contenu a peu à voir avec le contenu de la conférence, donc si vous êtes intéressé par le contenu, veuillez utiliser ce qui suit dans la conférence. Voir le livre et le contenu gratuit sur lequel ce livre est basé. Livre: Cours de formation de Data Scientist à l'Université de Tokyo Contenu gratuit: Page publique du contenu de l'exercice du cours de formation GCI Data Scientist

2. J'ai entendu parler du coefficient de Gini!

(1) Problème global 3-2

Quand j'ai relu le manuel pour examen, j'ai trouvé que le problème complet 3-2 était "la courbe de Lorentz et le comptage de Gini". Ceci est également inclus dans le contenu gratuit de l'Université de Tokyo, je vais donc le citer.

Coefficient de Gini: Il semble que ce soit la «valeur Gini» qui apparaissait dans un livre que j'ai lu il y a longtemps, «il y a un risque d'émeute si la valeur représente l'iniquité du revenu dépasse 0,4».

La valeur numérique du degré d'inégalité est appelée coefficient de Gini. Cette valeur est définie comme deux fois l'aire de la courbe de Lorentz et l'aire entourée par la ligne à 45 degrés et peut aller de 0 à 1. Plus la valeur est élevée, plus le degré d'inégalité est grand.

Mis à part le problème général: la sueur:, je suis curieux de connaître le coefficient de Gini, alors jetons un coup d'œil (j'espère que cela ne deviendra pas un "fouillis" tout le temps ...)

(2) Données Global Note

Tout d'abord, j'ai recherché le site appelé Global Note, qui est utilisé lors de l'examen de données publiques telles que la comparaison du PIB. Je suis désolé pour Global Note, mais je n'utilise que des données pouvant être consultées gratuitement: p Classement mondial des facteurs de Gini / Transition par pays Le Japon est de 0,34. Les pays scandinaves avec des routes stables ont de faibles coefficients de Gini, et les pays avec des taux de croissance économique élevés tels que la Chine, les États-Unis et l'Amérique du Sud sont susceptibles d'avoir des coefficients de Gini élevés.

(3) Données OCDE

La Note globale mentionne uniquement la source des données originales comme OCDE, alors vérifiez les données de l'OCDE pour trouver quelque chose qui y ressemble. Je me demande si c'est ça. Income inequality

Ce site semble très pratique. Bien qu'il n'y ait pas beaucoup de vieillissement au Japon et aux États-Unis, l'Estonie, qui est rapidement devenue une nation électronique avec l'introduction de l'informatique dans les infrastructures sociales, semble avoir une forte baisse du coefficient de Gini.

(3) Bonus

La courbe de Lorenz et le comptage de Gini ont été expliqués de manière facile à comprendre sur divers sites, dont Wikipedia. Facteur Wiki Gini Coefficient de Gini en 5 minutes Indicateur de mesure de la disparité des revenus-coefficient de Gini et courbe de Lorenz-

3. Le problème global peut être intéressant!

La réponse à la question complète se trouve à l'annexe 2 du Cours de formation de scientifique des données à l'Université de Tokyo. Cela semble utile pour étudier le code Python (même si je ne l'ai pas encore fait) Je ne citerai pas ceci, alors faisons de notre mieux: souriez:

Malheureusement, je ne peux pas participer la prochaine fois le 29 février en raison d'un contrat antérieur, mais j'aimerais écrire cette série selon PyCPA. Python Data Science Practical Course 3rd Powered by PyCPA

J'attends avec impatience la 4ème fois! !!