Come preparare i propri dati per un'analisi statistica (R, STATISTICA)
Gli analisti esperti dicono per metà scherzando che l’80 % del tempo di analisi è riordino di dati, e solo il 20 % il calcolo vero e proprio. Meglio preparate i dati, meno soffrite al caricamento in R, STATISTICA o Python - e minore è il rischio che il risultato sia falso a causa di un disordine in ingresso.
Il principio: i «tidy data»
Il più comodo per l’analisi è il formato lungo:
- una riga = un’osservazione (una misura),
- una colonna = una variabile (data, stazione, indicatore, valore, unità),
- nomi di colonne coerenti, niente celle unite né intestazioni «a due piani».
Una tale disposizione si carica in qualsiasi strumento senza ritocchi manuali (vedi anche formato lungo vs largo).
Le stesse misure in due disposizioni
Un foglio comodo per la trascrizione (data nell’intestazione, parametro nell’intestazione: due piani di informazione):
| Stazione | 10/05 O₂ | 10/05 pH | 14/06 O₂ | 14/06 pH |
|---|---|---|---|---|
| ST-1 | 8,2 | 7,4 | 6,9 | 7,1 |
| ST-2 | 7,8 | 7,6 | 5,4 | 7,3 |
Gli stessi dati pronti per l’analisi: data e parametro sono scesi dall’intestazione alle colonne, il numero ha il punto decimale, l’unità viaggia con il valore:
| date | station | parameter | value | unit |
|---|---|---|---|---|
| 2026-05-10 | ST-1 | O2 | 8.2 | mg/l |
| 2026-05-10 | ST-1 | pH | 7.4 | - |
| 2026-05-10 | ST-2 | O2 | 7.8 | mg/l |
| 2026-06-14 | ST-1 | O2 | 6.9 | mg/l |
La differenza è pratica, non estetica: aggiungere una terza data nella prima disposizione richiede due nuove colonne e una correzione in ogni script, nella seconda bastano nuove righe. Il foglio di campo può somigliare al primo, ma verso R o STATISTICA esportate il secondo.
A cosa fare particolarmente attenzione
- Unità coerenti - un indicatore = un’unità in tutto l’insieme di dati; altrimenti le medie non hanno alcun senso.
- Il formato dei numeri - per il CSV, usate un punto decimale e l’UTF-8; una virgola decimale rompe l’importazione in molti strumenti.
- I dati mancanti - contrassegnateli senza ambiguità (per es. una cella vuota /
NA), non con uno zero - lo zero è un valore. - I valori sotto il limite di quantificazione - fissate e descrivete una convenzione (è un problema comune dei dati ambientali); le statistiche ne dipendono.
- Le date - un formato unico e non ambiguo (preferibilmente
AAAA-MM-GG), trattato come tempo.
Ripetibilità
- Tenete i dati grezzi separati dai dati trasformati - potete sempre tornare alla fonte.
- Annotate cosa e come è stato calcolato (anche in una nota), perché l’analisi sia riproducibile.
- CSV / UTF-8 è il formato più sicuro per lo scambio tra programmi.
In pratica
Il minimo di errori sopraggiunge quando i dati sono riordinati fin dall’inizio - in stazioni, campagne e unità fisse. LimnoLog mantiene le misure in questa struttura e le esporta verso Excel pronte per l’elaborazione successiva, mentre analisi e grafici più semplici si fanno direttamente nell’applicazione - riservando R o STATISTICA alle statistiche più pesanti solo quando è davvero necessario.
Da vedere nell’applicazione LimnoLog
Scopri le funzionalità di LimnoLog