2.6 Regneark og dataverktøy

Slipp blyanten

Hittil har vi regnet ut gjennomsnitt, standardavvik og regresjon for hånd. Det er lærerikt, men i virkeligheten gjør ingen forsker det slik. Tenk deg å regne standardavvik for hånd på en million datapunkter -- det ville ta et menneskeliv.

Derfor bruker forskere og analytikere digitale verktøy. De gjør beregningene raskere og mer nøyaktige, og de takler datamengder som ville vært umulige manuelt. I dette kapittelet ser vi på to slags verktøy: regneark som Excel og Google Sheets, og programmeringsspråket Python. Begge brukes mye i forskning, næringsliv og skole.

Regneark: tall i rader og kolonner

Et regneark organiserer data i rader og kolonner, og hver celle kan inneholde tall, tekst eller -- det viktigste -- formler som regner automatisk. Der du før måtte summere og dele selv, skriver du nå bare inn en funksjon.

De vanligste funksjonene for dataanalyse er enkle å huske. =GJENNOMSNITT(A1:A20) regner snittet, =MEDIAN(A1:A20) finner medianen, og =STDAV(A1:A20) gir standardavviket for et utvalg. Du har også =MIN og =MAKS for ytterverdiene, =ANTALL for å telle, og =KORRELASJON(A1:A20;B1:B20) for å regne korrelasjonen mellom to datasett. Har du temperaturmålinger i cellene A1 til A30, gir =GJENNOMSNITT(A1:A30) deg snittet på et øyeblikk.

For å lage gode regneark lønner det seg å følge noen vaner. Bruk overskrifter i første rad, hold rådataene urørt i et eget ark og lag beregningene i et annet, og bruk alltid cellereferanser i formlene fremfor å skrive faste tall -- da oppdateres alt automatisk når dataene endres. Setter du for eksempel opp ti elevers treningstimer i en kolonne og regner ut snitt, median og standardavvik i en annen, ser du raskt at snitt og median begge er 4,5, et tegn på en symmetrisk fordeling. Regnearket kan dessuten lage diagrammer rett fra dataene: marker tallene, velg Sett inn og diagram, og velg en passende type.

Trendlinjer: regresjon på et klikk

Det flotte med regneark er at de gjør den krevende regresjonsanalysen nesten av seg selv. I stedet for å regne ut stigningstall og konstantledd for hånd, lar du programmet gjøre jobben gjennom en trendlinje.

Fremgangsmåten er enkel. Først lager du et punktdiagram, også kalt scatter plot, med de to variablene. Punktdiagrammet er den eneste diagramtypen der trendlinjer gir mening -- du kan ikke legge en regresjonslinje på et sektordiagram. Deretter høyreklikker du på datapunktene og velger «Legg til trendlinje», velger «Lineær», og haker av for å vise ligningen og $R^2$-verdien. Da regner regnearket automatisk ut hele regresjonen og viser deg både $\hat{y} = ax + b$ og $R^2$.

Tenk deg at du plotter temperatur mot brussalg i en kiosk og får trendlinjen $y = 12{,}3x - 45$ med $R^2 = 0{,}73$. Stigningstallet 12,3 betyr at det selges 12,3 flere liter brus for hver grad temperaturen stiger. Konstantleddet $-45$ gir matematisk negativt salg ved 0 grader, men det er bare en ekstrapolering uten praktisk mening. Og $R^2 = 0{,}73$ forteller at temperaturen forklarer 73 prosent av variasjonen i salget, mens resten skyldes ting som ukedag og vær. Alt dette beregnet regnearket for deg -- du trengte bare å lage et punktdiagram og legge til en trendlinje.

Når regnearket ikke strekker til: Python

Regneark er gode til mye, men de møter en grense når datamengdene blir enorme eller analysene kompliserte. Da tyr mange til Python, et programmeringsspråk som er svært populært innen dataanalyse og forskning. Med bibliotekene numpy, pandas og matplotlib kan du analysere og visualisere data effektivt.

Fordelene framfor regneark er flere. Python takler svært store datasett, gjerne millioner av rader. Analysen blir reproduserbar, fordi selve koden dokumenterer nøyaktig hva du gjorde. Den kan automatiseres, slik at samme analyse kjøres på nye data hver gang. Og den åpner for kraftigere statistikk og maskinlæring. Et enkelt eksempel: med numpy regner du snitt med np.mean(data), median med np.median(data) og standardavvik med np.std(data, ddof=1), der ddof=1 betyr at du regner på et utvalg. Du får nøyaktig samme svar som i regnearket, men i en kode du lett kan gjenbruke og dele.

Så hvilket verktøy bør du velge? Det avhenger av oppgaven. Regneark er brukervennlige, krever ingen programmering og er fine for samarbeid i sanntid -- perfekte for små datasett, raske beregninger og presentasjoner. Skal du analysere en spørreundersøkelse med 50 svar, holder regneark lenge. Python krever programmeringskunnskap og har en brattere læringskurve, men er overlegent for store datasett, komplekse analyser og automatiserte rapporter. Skal du behandle fem millioner rader med trafikkdata eller kjøre samme analyse hver måned, er Python det riktige valget. Kort sagt: regneark for det enkle og raske, Python for det store og gjentakende.

Oppsummering

Vi har sett at regneark som Excel og Google Sheets er brukervennlige verktøy med innebygde funksjoner for snitt, median, standardavvik og korrelasjon, og at cellereferanser sørger for at beregningene oppdateres automatisk. Regneark kan dessuten lage diagrammer og trendlinjer rett fra dataene, og regner ut regresjonen med $R^2$ på et klikk.

For større og mer krevende oppgaver gir Python, med bibliotekene NumPy og Matplotlib, kraftigere analysemuligheter og reproduserbar kode. Valget av verktøy avhenger av behovet: regneark for raske analyser og små datasett, Python for store datasett og automatisering.