Bỏ qua đến nội dung chính
Mục lục

Dataset thống kê: điểm kiểm tra, chiều cao, giao hàng, A/B

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 7/8 · Chương 1

Bắt đầu với thống kê

  • 5 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Trang này giới thiệu bộ dataset thống kê tiếng Việt mà tutorial dùng: điểm kiểm tra, chiều cao, thời gian giao hàng, khảo sát hài lòng, thí nghiệm A/B và bảy file khác. Mở trang khi một bài nhắc tới một file mà bạn muốn biết file đó chứa gì, hay khi muốn chọn một file để tự luyện.

Số giả lập, đọc bằng tên trần

Số, mã và nhãn trong các file là số giả lập do AIDev sinh bằng script có hạt giống cố định, nên sinh lại cho đúng từng byte. Không file nào chép từ bộ dữ liệu của bên khác, và không có dữ liệu cá nhân thật: mã học sinh, mã nhân viên chỉ là số thứ tự. Nhiệt độ hai thành phố không phải số đo của trạm nào, lương theo ngành không phải số liệu thị trường lao động. Vì thế các bài không rút kết luận về thế giới thật từ những con số này.

Trên trang tutorial, bài dùng file nào thì file đó đã nằm sẵn trong thư mục chạy. Bạn đọc bằng tên trần, không đường dẫn, như pd.read_csv("ab_test.csv"). Mỗi bài liệt kê các file nó dùng ở mục "Dữ liệu của bài" để bạn tải về; bấm tên một file trên trang này để tới bài đầu tiên dùng nó. Cách đọc và các tham số của read_csv() có ở bài read_csv(). Dữ liệu phát hành theo giấy phép CC0 1.0: bạn dùng lại tự do, kể cả cho bài giảng của mình.

Thống kê mô tả: điểm, chiều cao, lương

File

Dòng

Cột

Dùng ở

diem_kiem_tra.csv

160

ma_hs, lop (10A1 … 10A4), gio_tu_hoc, diem_toan, diem_van

tổng thể và mẫu, trung bình, trung vị, phương sai, hồi quy

chieu_cao_can_nang.csv

360

ma_hs, khoi, gioi_tinh, chieu_cao_cm, can_nang_kg

phân phối chuẩn, khoảng tin cậy, t-test hai mẫu

luong_nganh.csv

750

ma_nv, nganh, kinh_nghiem_nam, luong_trieu

trung bình, trung vị, mốt, độ lệch, kiểm định phi tham số

khao_sat_hai_long.csv

420

ma_phieu, kenh, nhom_tuoi, năm câu Likert 1–5: chat_luong, gia_ca, toc_do, nhan_vien, gioi_thieu

loại dữ liệu, mốt, khoảng tin cậy của tỉ lệ

Điểm kiểm tra có bước 0,25, nên có điểm trùng và mốt có nghĩa. Lương theo ngành lệch phải: ngành nào trung bình cũng lớn hơn trung vị. Năm câu khảo sát lưu bằng số 1–5 nhưng là dữ liệu thứ bậc, nên bài tả chúng bằng bảng tần số và trung vị. Cột nhom_tuoi dùng gạch nối dài –, như 18–24, nên gõ dấu trừ - khi lọc thì không khớp dòng nào.

Xác suất và phân phối

File

Dòng

Cột

Dùng ở

lua_chon_do_uong.csv

1.500

ma_ly, khung_gio, nhom_tuoi, do_uong

xác suất có điều kiện, biến cố độc lập, chi bình phương

khach_theo_gio.csv

588

ngay, thu, gio, so_khach

phân phối Poisson

loi_san_pham.csv

240

ma_lo, ngay, ca, may, so_kiem, so_loi

phân phối nhị thức, dự án kiểm tra lô hàng

giao_hang.csv

800

ma_don, hang, khu_vuc, thoi_gian_gio, dung_hen

phân phối mẫu, bootstrap, tứ phân vị, ECDF

Mỗi dòng của lua_chon_do_uong.csv là một ly, ba cột đều định tính, hợp với bảng chéo. khach_theo_gio.csv đếm khách mỗi giờ của một quán, nên là biến rời rạc. Thời gian giao hàng là biến liên tục có đuôi phải dài, ví dụ tốt cho các bài cần dữ liệu không chuẩn.

Kiểm định, tương quan và A/B test

File

Dòng

Cột

Dùng ở

khoi_luong_goi.csv

180

ma_goi, may, khoi_luong_g

t-test một mẫu, ANOVA ba máy

chay_truoc_sau.csv

45

ma_hs, truoc_giay, sau_giay

t-test cặp, Wilcoxon

nhiet_do_hai_thanh_pho.csv

365

ngay, ha_noi, da_nang

tương quan Spearman, bài tập tương quan và hồi quy

ab_test.csv

112

ngay, phien_ban, thiet_bi, luot_xem, chuyen_doi

phân tích A/B test, hai tỉ lệ, dự án A/B test

Hai file chay_truoc_sau.csv và nhiet_do_hai_thanh_pho.csv là bảng rộng: một dòng ghi hai số đo của cùng một em hay cùng một ngày, đúng dạng mà t-test cặp cần. ab_test.csv đã gom theo ngày, phiên bản và thiết bị. Bài cần từng lượt xem thì bung ra bằng np.repeat.

Hai file dùng lại từ tutorial dữ liệu

Hai dự án dùng file lớn hơn của tutorial pandas, mô tả đủ cột ở trang file CSV mẫu:

File

Dòng

Cột chính

Dùng ở

diem_thi.csv

500

sbd, tinh, ban, điểm chín môn từ toan tới gdcd

dự án phổ điểm thi

don_hang.csv

1.526

ma_don, ngay_dat, kenh, so_luong, don_gia, trang_thai

dự án ba kênh bán hàng

diem_thi.csv khác diem_kiem_tra.csv: 500 thí sinh của nhiều tỉnh và nhiều môn. Ô trống ở các môn của ban khác là thật, và sbd mất số 0 đầu khi đọc mặc định. Bộ điểm kiểm tra nhỏ hơn, theo lớp, dùng cho các bài mô tả và so nhóm.

Câu hỏi thường gặp

Chạy các file trên máy thế nào?

Trên trang, file đã nằm sẵn nên bạn không cần tải. Muốn chạy trên máy, đặt file cạnh script rồi đọc bằng tên trần như trên trang.

Dữ liệu mẫu thống kê này có dùng cho bài giảng được không?

Được. Giấy phép CC0 1.0 cho phép dùng, sửa và chia sẻ lại mà không cần xin phép hay ghi nguồn. Khi dùng, nên nói rõ với người học đây là số giả lập, như các bài của tutorial.

Vì sao không dùng số liệu thật?

Số giả lập cho biết trước đáp án: tutorial biết dữ liệu được sinh với tham số nào, nên kiểm được một phương pháp có tìm ra đúng tham số đó không. Bài mô phỏng Monte Carlo dùng cùng ý này.

Chủ đề

dataset thống kê

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập