知识卡片

普通读书笔记卡 · 6338.h

固定前N份额衡量集中程度

理解等级:中级

固定取每组最常见的1000个姓名,把其比例相加;份额越低,说明更多已收录人数分散在这1000项之外。这个指标刻画给定口径下的集中程度,不直接说明每个姓名更独特,也不能证明父母选择变化的原因。跨年比较应保持筛选与比例分母一致。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      前1000项的比例降低)。另一个办法是计算占总出生人数前50%的不同名字的数量,这个数字不太好计算。我们只考虑2010年男孩的名字: In [392]: df = boys[boys.year == 2010] In [393]: df Out[393]: <class 'pandas.core.frame.DataFrame'> Int64Index: 1

    参考来源

    - 位置:《利用Python进行数据分析》第2章《评估命名多样性的增长》(spine259;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0245.html;u038-ch02-020)。 - 结论依据:原文在“前1000项的比例降低”附近的定义、例子或代码支撑本卡核心说明:固定取每组最常见的1000个姓名,把其比例相加;份额越低,说明更多已收录人数分散在这1000项之外。边界按已读前提解释;示例未执行。 - 原始内容:前1000项的比例降低)。另一个办法是计算占总出生人数前50%的不同名字的数量,这个数字不太好计算。我们只考虑2010年男孩的名字: In [392]: df = boys[boys.year == 2010] In [393]: df Out[393]: <class 'pandas.core.frame.DataFrame'> Int64Index: 1