Dữ liệu định tính và định lượng, rời rạc, liên tục, thang đo
Bài 6/8 · Chương 1
Bắt đầu với thống kê
- 8 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 12
Dữ liệu định tính và định lượng là hai nhóm lớn của các cột số liệu. Định tính ghi một loại hay một nhãn, như kênh mua hàng, còn định lượng ghi một con số đo hay đếm được, như thời gian chờ. Biết cột thuộc loại nào và thang đo nào, bạn biết phép tính nào có nghĩa trên cột đó.
Cần biết trước: tổng thể và mẫu, dtype và astype và value_counts().
Định tính và định lượng
Một cửa hàng ghi năm khách vào bảng dưới, số giả lập do AIDev tạo. Mỗi cột là một biến (variable):
import pandas as pd
khach = pd.DataFrame({
"kenh": ["Cửa hàng", "Trực tuyến", "Trực tuyến",
"Cửa hàng", "Trực tuyến"],
"so_lan_mua": [3, 1, 4, 2, 1],
"phut_cho": [4.5, 12.0, 7.25, 3.0, 9.5],
"hai_long": ["Khá", "Tạm", "Tốt", "Khá", "Kém"],
})
print(khach.dtypes)KẾT QUẢ
kenh str
so_lan_mua int64
phut_cho float64
hai_long str
dtype: objectkenh và hai_long là dữ liệu định tính (qualitative, categorical): mỗi giá trị là một nhóm. so_lan_mua và phut_cho là dữ liệu định lượng (quantitative): mỗi giá trị là một con số mà phép cộng, phép trừ có nghĩa. Với cột định tính, việc tính được là đếm mỗi nhóm có bao nhiêu và chiếm bao nhiêu phần:
Trong đó:
n(len(khach)): số quan sát.n với chỉ số j (
value_counts()): số quan sát thuộc nhóm j.p̂ với chỉ số j (
value_counts(normalize=True)): tỉ lệ của nhóm j trong mẫu.
Đếm tay cột kenh: ba khách Trực tuyến, hai khách Cửa hàng, nên tỉ lệ là 3 / 5 = 0,6 và 2 / 5 = 0,4. pandas cho cùng hai số:
import pandas as pd
kenh = pd.Series(["Cửa hàng", "Trực tuyến", "Trực tuyến",
"Cửa hàng", "Trực tuyến"])
print(kenh.value_counts(normalize=True))KẾT QUẢ
Trực tuyến 0.6
Cửa hàng 0.4
Name: proportion, dtype: float64Đổi normalize=True thành normalize=False rồi chạy lại: hai dòng đầu in Trực tuyến 3 và Cửa hàng 2.
Rời rạc và liên tục
Dữ liệu định lượng lại chia hai. Biến rời rạc (discrete) nhận các giá trị đếm được, cách nhau từng bước: so_lan_mua là 1, 2, 3, không có 2,5 lần mua. Biến liên tục (continuous) có thể nhận bất kỳ giá trị nào trong một khoảng, chỉ bị giới hạn bởi độ chính xác của dụng cụ đo: phut_cho có thể là 7,25 hay 7,251 phút.
Dtype không quyết định loại biến. Số lần mua lưu float64 vẫn là rời rạc, và chiều cao làm tròn tới cm lưu int64 vẫn là liên tục. Câu hỏi đúng là "giá trị đến từ việc đếm hay việc đo". Phân biệt này quyết định các bài sau: biến rời rạc dùng PMF, biến liên tục dùng PDF.
Bốn thang đo: định danh, thứ bậc, khoảng, tỉ lệ
Thang đo (level of measurement) cho biết các giá trị của biến có quan hệ gì với nhau, và vì thế phép tính nào có nghĩa:
Thang đo | Giá trị cho biết | Ví dụ | Phép tính có nghĩa |
|---|---|---|---|
Định danh (nominal) | Chỉ khác nhóm | kênh mua, nhóm máu | Đếm, tỉ lệ, mốt |
Thứ bậc (ordinal) | Có thứ tự, khoảng cách không đều | mức hài lòng, hạng huy chương | Thêm so sánh lớn nhỏ, trung vị |
Khoảng (interval) | Hiệu có nghĩa, số 0 do quy ước | nhiệt độ °C, năm sinh | Thêm cộng trừ, trung bình |
Tỉ lệ (ratio) | Có số 0 thật, thương có nghĩa | thời gian chờ, cân nặng | Thêm nhân chia: "gấp đôi" |
Mỗi thang cho phép các phép tính của những thang ở trên nó. Hai thang đầu là định tính, hai thang sau là định lượng. 20 °C không nóng gấp đôi 10 °C vì 0 °C chỉ là một mốc chọn, còn chờ 12 phút đúng là gấp đôi chờ 6 phút.
Mã số không biến cột định danh thành định lượng. Ghi Cửa hàng là 1, Trực tuyến là 2 thì trung bình 1,6 không có nghĩa gì. Thang Likert 1–5 là thứ bậc: khoảng từ 1 lên 2 chưa chắc bằng từ 4 lên 5, nên trung vị và tỉ lệ từ một mức trở lên an toàn hơn trung bình.
Thang thứ bậc trong pandas
Cột hai_long có bốn mức Kém < Tạm < Khá < Tốt. Lưu dạng chuỗi thì pandas so theo thứ tự chữ cái, không theo thứ tự mức.
import pandas as pd
hai_long = pd.Series(["Khá", "Tạm", "Tốt", "Khá", "Kém"])
muc = ["Kém", "Tạm", "Khá", "Tốt"]
kieu = pd.CategoricalDtype(muc, ordered=True)
hl = hai_long.astype(kieu)
print(hl.sort_values().tolist())
print((hl >= "Khá").tolist())
print("Tỉ lệ từ Khá trở lên:", (hl >= "Khá").mean())KẾT QUẢ
['Kém', 'Tạm', 'Khá', 'Khá', 'Tốt']
[True, False, True, True, False]
Tỉ lệ từ Khá trở lên: 0.6Đếm tay: Khá, Tốt, Khá là ba trong năm khách, 3 / 5 = 0,6. Bài kiểu category có thêm cách đổi tên mức và thêm mức mới.
File khao_sat_hai_long.csv có 420 phiếu khảo sát giả lập, mỗi câu chấm thang Likert 1–5. Cột chat_luong lưu số, nhưng là thứ bậc, nên bảng tần số là cách tả đúng:
import pandas as pd
ks = pd.read_csv("khao_sat_hai_long.csv")
print(len(ks))
tan_suat = ks["chat_luong"].value_counts(normalize=True)
print(tan_suat.sort_index().round(2))KẾT QUẢ
420
chat_luong
1 0.02
2 0.09
3 0.28
4 0.38
5 0.24
Name: proportion, dtype: float64Đọc bảng: 38 % phiếu chấm mức 4, và khoảng 0,61 phần phiếu chấm từ mức 4 trở lên (cộng hai số đã làm tròn 0,38 + 0,24 thì được 0,62). Thứ tự 1 tới 5 ở đây đúng vì cột là số. Với nhãn chữ thì cần CategoricalDtype như trên.
Kiểm tra nhanh
Những cột nào là dữ liệu định lượng?
- Số con trong gia đình
- Mã bưu chính, như 700000
- Thời gian chạy 5 km, tính bằng phút
- Màu xe yêu thích
Cột nào là biến liên tục?
- Số tin nhắn gửi trong một ngày
- Cân nặng của một gói hàng
- Số học sinh vắng của một lớp
Thang đo nào hợp với mức huy chương Vàng, Bạc, Đồng, và vì sao?
- Định danh, vì là nhãn chữ
- Thứ bậc, vì các mức có thứ tự nhưng khoảng cách giữa chúng không đo được
- Tỉ lệ, vì có thể nói Vàng gấp đôi Bạc
Với
s = pd.Series(["Tạm", "Kém", "Tốt"])lưu dạng chuỗi,print((s >= "Khá").sum())in ra gì?123
Bài tập
Tỉ lệ từ một mức trở lên trên thang thứ bậc
Viết thân hàm ty_le_tu_muc(s, muc, thu_tu). s là list hay Series các nhãn, thu_tu là list các mức xếp từ thấp lên cao, muc là một mức có trong thu_tu. Hàm đếm các giá trị của s đứng ở muc hay cao hơn theo thu_tu, không theo chữ cái, và không sửa s của nơi gọi.
Trả về: tỉ lệ các giá trị từ muc trở lên, một float từ 0 đến 1.
Ví dụ ty_le_tu_muc(["Tốt", "Kém", "Khá", "Tạm", "Khá"], "Khá", ["Kém", "Tạm", "Khá", "Tốt"]) cho 0.6.
import numpy as np
import pandas as pd
def ty_le_tu_muc(s, muc, thu_tu):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Định tính ghi nhóm hay nhãn; định lượng ghi con số đếm hay đo.
Định lượng rời rạc đến từ việc đếm, liên tục đến từ việc đo; dtype không quyết định loại.
Bốn thang đo: định danh, thứ bậc, khoảng, tỉ lệ; mỗi thang thêm phép tính có nghĩa.
Cột định tính tả bằng số đếm và tỉ lệ
value_counts(normalize=True).Cột thứ bậc lưu dạng chuỗi cần
pd.CategoricalDtype(..., ordered=True)trước khi so hay sắp xếp.
Câu hỏi thường gặp
Biến định tính và định lượng khác nhau thế nào trong một bảng?
Thử hỏi "cộng hai giá trị có nghĩa không". Cộng hai thời gian chờ cho tổng thời gian chờ, nên đó là định lượng. Cộng hai kênh mua hay hai mã bưu chính không có nghĩa, nên đó là định tính, kể cả khi lưu bằng số. Cách đổi kiểu cột có ở bài dtype và astype.
Thang đo định danh và thứ bậc khác nhau ở đâu?
Cả hai đều là nhãn. Thứ bậc có thêm thứ tự: Kém < Tạm < Khá < Tốt, còn định danh như kênh mua hay nhóm máu thì không mức nào cao hơn mức nào. Vì có thứ tự, thang thứ bậc dùng được trung vị, còn thang định danh chỉ có mốt và tỉ lệ.
Có được tính trung bình của thang Likert không?
Nhiều báo cáo vẫn tính, nhưng con số đó giả định khoảng giữa các mức bằng nhau, điều thang thứ bậc không hứa. Tutorial tả cột Likert bằng bảng tần số, trung vị và tỉ lệ từ một mức trở lên. Khi có báo cáo nêu trung bình Likert, đọc nó kèm bảng tần số.
Tuổi là rời rạc hay liên tục?
Tuổi thật là liên tục, vì thời gian trôi liên tục. Tuổi ghi theo số năm tròn trông như rời rạc, nhưng vẫn được xử lý như liên tục khi có nhiều giá trị. Nhóm tuổi như 18–24, 25–34 thì đã thành thứ bậc.
Chủ đề
Dữ liệu của bài
- Tải xuống
khao_sat_hai_long.csv
CSV · 15.74 KB
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
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.