[PyCPA] Python Data Science Praktische Vorlesung 2. Loose Awareness

Python Data Science Praktikum 2 ..

1. Zuallererst

Dies ist eine Zusammenfassung meiner eigenen losen Punkte nach der Teilnahme an einer Studiensitzung für die CPA-Community (Certified Accountant) namens PyCPA. Python Data Science-Praktikum 2. Powered by PyCPA Eigentlich habe ich am LT-Rahmen teilgenommen (der Reiseroute des Programmierlernens und das Ziel in dieser Vorlesung), aber da es sich um einen LT handelt, der nur den Impuls "Ich werde mein Bestes geben!" Hat, werde ich das Material nicht veröffentlichen: Schweiß:

Wie bei Letztes Mal hat dieser Inhalt wenig mit dem Inhalt der Vorlesung zu tun. Wenn Sie also an dem Inhalt interessiert sind, verwenden Sie bitte Folgendes in der Vorlesung. Sehen Sie sich das Buch und den kostenlosen Inhalt an, auf dem dieses Buch basiert. Buch: Data Scientist Training Course an der Universität von Tokio Kostenlose Inhalte: Öffentliche Seite zum Übungsinhalt des GCI Data Scientist-Schulungskurses

2. Ich habe vom Gini-Koeffizienten gehört!

(1) Umfassendes Problem 3-2

Als ich das Lehrbuch zur Überprüfung erneut las, stellte ich fest, dass das umfassende Problem 3-2 "Lorentz-Kurve und Gini-Zählung" war. Dies ist auch im kostenlosen Inhalt der Universität Tokio enthalten, daher werde ich das zitieren.

Gini-Koeffizient: Es scheint der "Gini-Wert" zu sein, der in einem Buch erschien, das ich vor langer Zeit gelesen habe: "Es besteht die Gefahr eines Aufruhrs, wenn der Wert eine Ungerechtigkeit des Einkommens von mehr als 0,4 darstellt."

Der numerische Wert des Ungleichheitsgrades wird als Gini-Koeffizient bezeichnet. Dieser Wert ist definiert als die doppelte Fläche der Lorentz-Kurve und der von der 45-Grad-Linie umgebenen Fläche und kann zwischen 0 und 1 liegen. Je höher der Wert, desto größer der Grad der Ungleichheit.

Abgesehen von dem allgemeinen Problem: Schweiß: Ich bin neugierig auf den Gini-Koeffizienten. Schauen wir uns das an (ich hoffe, es wird nicht immer zu einer "Unordnung" ...)

(2) Global Note-Daten

Zunächst habe ich die Website Global Note durchsucht, die bei der Prüfung öffentlicher Daten wie dem BIP-Vergleich verwendet wird. Es tut mir leid für Global Note, aber ich verwende nur Daten, die kostenlos angezeigt werden können: p World Gini Factor Ranking / Übergang nach Land Japan ist 0,34. Skandinavische Länder mit stabilen Routen weisen niedrige Gini-Koeffizienten auf, und Länder mit hohen Wirtschaftswachstumsraten wie China, die Vereinigten Staaten und Südamerika weisen wahrscheinlich hohe Gini-Koeffizienten auf.

(3) OECD-Daten

In der globalen Anmerkung wird nur die Quelle der Originaldaten als OECD erwähnt. Überprüfen Sie daher die OECD-Daten, um etwas zu finden, das so aussieht. Ich frage mich, ob das so ist. Income inequality

Diese Seite scheint sehr praktisch zu sein. Obwohl es in Japan und den Vereinigten Staaten nicht viel Alterung gibt, scheint Estland, das mit der Einführung der IT in der sozialen Infrastruktur schnell zu einer elektronischen Nation geworden ist, einen starken Rückgang des Gini-Koeffizienten zu haben.

(3) Bonus

Die Lorenzkurve und die Gini-Zählung wurden auf verschiedenen Websites, einschließlich Wikipedia, leicht verständlich erklärt. Wiki Gini Factor Gini-Koeffizient in 5 Minuten Indikator zur Messung der Einkommensunterschiede - Gini-Koeffizient und Lorenz-Kurve -

3. Das Gesamtproblem kann interessant sein!