กรณีฝึกสำรอง · โมดูล 7

ประชากรไทย
จากตารางสู่แผนที่

ใช้เมื่อยังไม่มีข้อมูลของตนเอง ฝึกตั้งคำถาม ตรวจตัวหาร วิเคราะห์สถิติ สร้างกราฟ และอ่านความแตกต่างเชิงพื้นที่กับ AI ทีละขั้น

การเตรียมตัวก่อนเรียน

ของต้องมีก่อนเรียน

ยังไม่ต้องดาวน์โหลดข้อมูลเอง: หน้านี้มีชุดข้อมูลตัวอย่างและคำสั่งพร้อมใช้ คุณจะให้ AI ดาวน์โหลดและตรวจข้อมูลในด่าน 1

สร้างโฟลเดอร์งานหนึ่งโฟลเดอร์ ใน project workspace เช่น module-7-population-lab/
เปิด AI ที่สร้างและดาวน์โหลดแฟ้มได้ แล้วอนุญาตให้ทำงานเฉพาะในโฟลเดอร์นี้
เลือกคำถามง่าย ๆ หนึ่งข้อ เช่น “จังหวัดใดมีประชากรมากที่สุด” หรือ “สัดส่วนหญิงต่างกันระหว่างจังหวัดอย่างไร” ถ้ายังคิดไม่ออก ให้เริ่มจากประชากรชาย–หญิงระดับจังหวัด
เตรียมเวลาตรวจผลด้วยตนเอง คุณต้องตรวจปี หน่วย จำนวนแถว ตัวหาร และกราฟก่อนเชื่อข้อสรุปของ AI

เมื่อพร้อม: กดปุ่มด้านล่าง แล้วเริ่มจากคำสั่งใน “ด่าน 1 — ดาวน์โหลดและออกใบรับข้อมูล” ไม่ต้องอ่านรายละเอียดทั้งหน้าก่อน

พร้อมแล้ว—ไปด่าน 1 ↓

แหล่งข้อมูลที่บทเรียนเตรียมไว้ — เปิดเมื่อต้องการตรวจที่มา

ประชากรจากทะเบียน จำแนกตามเพศ จังหวัด และอำเภอ — สำนักงานสถิติแห่งชาติ; 15,090 แถว ปี 2564–2566
CKAN API ชุดที่ 1 และ CKAN API ชุดที่ 2 — AI ต้องเรียกสองชุดแล้วตรวจว่ารวมได้ 15,090 แถว
ประชากรอายุ 15 ปีขึ้นไป จำแนกตามระดับการศึกษา เพศ และจังหวัด — ตารางจากการสำรวจภาวะการทำงาน
ขอบเขตจังหวัด geoBoundaries — ใช้ฝึกทำแผนที่ 77 จังหวัด ไม่ใช่ขอบเขตทางกฎหมาย

เริ่มจากข้อมูลประชากรชุดแรกเพียงชุดเดียว อย่าเพิ่งรวมข้อมูลทะเบียน การสำรวจ และการศึกษา เพราะอาจใช้ปี ประชากรฐาน นิยาม และตัวหารต่างกัน

สิ่งที่จะทำได้

ตรวจปี หน่วยพื้นที่ ประชากรฐาน ตัวหาร และข้อมูลสูญหายก่อนวิเคราะห์
คำนวณจำนวน ร้อยละ อัตราส่วน ความต่าง ช่วงความเชื่อมั่น และตารางไขว้เมื่อข้อมูลรองรับ
สร้างกราฟมาตรฐานแบบงานสำรวจและกราฟเด่นที่ยังรักษาความหมายของข้อมูล
สร้างแผนที่ระดับจังหวัดหรืออำเภอ พร้อมตรวจชื่อพื้นที่ รหัสพื้นที่ และค่าที่เชื่อมไม่สำเร็จ
แยกสิ่งที่ข้อมูลแสดงออกจากคำอธิบายเชิงเหตุและผลที่ข้อมูลยังพิสูจน์ไม่ได้

อ่านก่อนเริ่ม

ข้อมูลมาจากไหน เอามาอย่างไร และใช้เครื่องมืออะไร

1. ข้อมูลประชากรมาจากไหน

ข้อมูลแกนมาจากชุด “จำนวนประชากรตามพื้นที่จากการทะเบียน จำแนกตามเพศ อำเภอ จังหวัด” ในบัญชีข้อมูลของสำนักงานสถิติแห่งชาติ โดยหน้าชุดข้อมูลระบุแหล่งต้นทางเป็น กรมการปกครอง หน่วยเป็นคน และเผยแพร่ภายใต้สัญญาอนุญาต Creative Commons Attribution

ข้อมูลที่ใช้ในกิจกรรมมีปี 2564–2566 และมีคอลัมน์ดังนี้:

คอลัมน์	ความหมาย	ตัวอย่าง
`YEAR`	ปี พ.ศ.	2566
`PROVINCE`	จังหวัด	เชียงใหม่
`DISTRIC`	อำเภอ หรือคำว่า “รวม”	เมืองเชียงใหม่
`SEX`	รวม ชาย หรือหญิง	หญิง
`VALUE`	จำนวนประชากร	933,533
`UNIT`	หน่วยวัด	คน
`SOURCE`	หน่วยงานต้นทาง	กรมการปกครอง

2. นำข้อมูลมาใช้อย่างไร

AI เรียก CKAN Data API ของสำนักงานสถิติแห่งชาติ ไม่ได้คัดลอกตัวเลขจากหน้าเว็บหรือ PDF
API จำกัดไม่เกิน 10,000 แถวต่อครั้ง จึงเรียกสองหน้า: offset=0 และ offset=10000
AI ตรวจว่า API ตอบ success=true และค่า total=15090
เก็บ JSON ต้นฉบับทั้งสองหน้าไว้ใน data/raw/ โดยไม่แก้ไข
นำเฉพาะรายการใน result.records มาต่อกัน แล้วตรวจว่าครบ 15,090 แถวก่อนสร้าง population.csv
การวิเคราะห์ระดับจังหวัดกรอง DISTRIC=รวม เพื่อไม่ให้นับยอดจังหวัดซ้ำกับยอดอำเภอ

ตรวจย้อนกลับได้: ทุกครั้งต้องเก็บ URL เวลาดาวน์โหลด จำนวนแถว ชื่อคอลัมน์ และ checksum ไว้ใน import-report.md หากจำนวนแถวไม่ตรง ให้หยุด ไม่เติมข้อมูลเอง

3. ขอบเขตแผนที่มาจากไหน

รูปทรงจังหวัดมาจาก geoBoundaries API ชุด gbOpen/THA/ADM1 แล้วดาวน์โหลดแฟ้ม simplifiedGeometryGeoJSON ซึ่งมีพื้นที่ระดับจังหวัด 77 หน่วย แหล่งดังกล่าวระบุว่ารวบรวมจาก OpenStreetMap และใช้สัญญาอนุญาต ODbL

ก่อนวาดแผนที่ AI ต้องสร้างตารางเทียบชื่อจังหวัดภาษาไทยในข้อมูลประชากรกับชื่อจังหวัดใน GeoJSON และรายงานชื่อที่จับคู่ไม่ได้ ห้ามลบพื้นที่ที่เชื่อมไม่สำเร็จโดยไม่แจ้ง

4. กราฟเรียกว่าอะไร และสร้างด้วยอะไร

ชื่อภาพ	ชื่อที่ใช้ในโปรแกรม	เครื่องมือที่ AI ใช้	ภาพนี้แสดงอะไร
ตารางสรุป Summary table	`groupby`, `pivot_table`	Python และ pandas	จำนวน ร้อยละ อัตราส่วน และผลรวมที่ผู้อ่านต้องการเห็นค่าตรง ๆ
กราฟแท่ง Bar chart	`barplot`	Python, pandas, Seaborn และ Matplotlib	เปรียบเทียบจำนวนหรือสัดส่วนระหว่างจังหวัด เพศ หรือกลุ่มที่แยกจากกัน
กราฟเส้น Line chart	`lineplot`	Python, pandas, Seaborn และ Matplotlib	การเปลี่ยนแปลงตามเวลา เช่น ประชากรปี 2564–2566 โดยเรียงปีให้ถูกต้อง
กราฟวงกลม Pie chart	`pie`	Python และ Matplotlib	ส่วนประกอบของยอดรวมหนึ่งชุดเมื่อมีหมวดหมู่น้อย เช่น ชาย–หญิงในจังหวัดเดียวและปีเดียว
แผนภาพการกระจาย Scatter plot	`scatterplot`	Python, pandas, Seaborn และ Matplotlib	ประชากรชายเทียบหญิงรายจังหวัด ขนาดจุดแทนประชากรรวม และเส้นทแยงแสดงชายเท่ากับหญิง
กราฟความสัมพันธ์หลายคู่ Pairplot	`pairplot`	Python, pandas และ Seaborn	การกระจายและความสัมพันธ์เป็นคู่ของจำนวนชาย หญิง รวม สัดส่วนหญิง อัตราส่วนเพศ และการเปลี่ยนแปลงข้ามปี
กราฟแท่งเทียนแสดงการเปลี่ยนแปลง Candlebar/Candlestick	`Candlestick`	Python, pandas และ Plotly	ค่าเริ่มปี 2564 ค่าจบปี 2566 และค่าต่ำสุด–สูงสุดระหว่างสามปีของแต่ละจังหวัด
แผนที่ระบายสีตามค่า Choropleth map	`choropleth`	Python, pandas, GeoPandas และ Plotly; ใช้ Folium ได้เมื่อเน้นการชี้ดูข้อมูล	สัดส่วนหญิงรายจังหวัด โดยสีเข้มหรืออ่อนแทนค่าที่มากหรือน้อยตามคำอธิบายสี

กราฟวงกลมใช้แบบจำกัด: ใช้เมื่อเป็นส่วนประกอบของยอดรวมเดียว มีประมาณ 2–5 ส่วน และผลรวมเท่ากับ 100% ไม่ใช้เปรียบเทียบ 77 จังหวัด หลายปี หรือหลายวงพร้อมกัน; กราฟแท่งจะเปรียบเทียบความต่างได้ชัดกว่า

คุณไม่ต้องเขียนโปรแกรม: ให้ AI สร้างและเรียกใช้ Python แต่ต้องแสดงชื่อแฟ้มโปรแกรม รุ่น Python รุ่นไลบรารี ตารางข้อมูลที่ใช้วาด และคำเตือนทุกครั้ง คุณเป็นผู้ตรวจความหมาย ตัวหาร และข้อสรุป

เรียนด้วย AI

ทำทีละช่วง ไม่ต้องอ่านทั้งหมดก่อน

ช่วง 1 — ดาวน์โหลดและออกใบรับข้อมูล

เครื่องมือ: Python, requests, json และ pandas

ทำงานเฉพาะใน project workspace ที่ฉันเปิดอยู่ และเริ่มจากข้อมูลประชากรชุดนี้เพียงชุดเดียว

หน้าคำอธิบายข้อมูลของสำนักงานสถิติแห่งชาติ:
https://catalog.nso.go.th/dataset/0405_01_0005/resource/c843a481-2c81-4da6-8c14-1e1b94c161c9?inner_span=True

CKAN API หน้าแรก:
https://catalog.nso.go.th/api/3/action/datastore_search?resource_id=c843a481-2c81-4da6-8c14-1e1b94c161c9&limit=10000&offset=0

CKAN API หน้าที่สอง:
https://catalog.nso.go.th/api/3/action/datastore_search?resource_id=c843a481-2c81-4da6-8c14-1e1b94c161c9&limit=10000&offset=10000

ใช้ Python กับ requests และ json ดาวน์โหลด JSON จาก API ทั้งสองหน้าแบบอ่านอย่างเดียว ตรวจว่า success=true และค่า total=15090 รวม result.records แล้วต้องได้ 15,090 แถว เก็บ JSON เดิมทั้งสองแฟ้มไว้ใน data/raw/ โดยไม่แก้หรือเขียนทับ จากนั้นใช้ pandas สร้าง data/working/population.csv

สร้าง import-report.md ระบุชื่อชุดข้อมูล หน่วยงานต้นทาง URL ทั้งสาม วันที่และเวลาดาวน์โหลด ปีข้อมูล จำนวนแถว ชื่อคอลัมน์ หน่วยวัด สิทธิใช้ checksum และคำเตือน เริ่มวิเคราะห์ที่ระดับจังหวัด โดยใช้แถว DISTRIC=รวม และจำแนกเพศ หากจำนวนแถวหรือค่า total ไม่ตรงให้หยุดและรายงาน ห้ามเดา เติมแถว หรือเริ่มทำกราฟ

เมื่อทำเสร็จ แสดงรายชื่อแฟ้มที่สร้าง สรุปผลตรวจ และถามฉันเพียงข้อเดียวว่าจะตรวจข้อมูลต่อหรือแก้ปัญหาที่พบก่อน

ก่อนผ่าน: คุณอธิบายได้ว่า “หนึ่งแถวแทนอะไร” และ “ตัวหารของแต่ละร้อยละคือใคร”

ช่วง 2 — ตรวจและเตรียมข้อมูล

เครื่องมือ: pandas; ใช้ rapidfuzz เฉพาะเมื่อต้องช่วยหาชื่อพื้นที่ที่อาจสะกดต่างกัน แต่ห้ามจับคู่ให้อัตโนมัติ

งาน: ตรวจและเตรียมข้อมูลประชากร
เครื่องมือ: Python, pandas และ rapidfuzz เฉพาะช่วยเทียบชื่อ

ทำตามลำดับ:
1. รายงานจำนวนแถว–คอลัมน์ ชื่อและชนิดตัวแปร
2. ตรวจปี จังหวัด/อำเภอ เพศ ค่าซ้ำ ค่าว่าง และยอดรวม
3. แสดงชื่อพื้นที่ที่สะกดไม่ตรง
4. หากใช้ rapidfuzz ให้แสดงชื่อคู่เทียบและคะแนน แต่ห้ามจับคู่อัตโนมัติ
5. แสดงตัวอย่างก่อน–หลังทุกการแปลง

ห้ามทำ:
- ห้ามเขียนทับข้อมูลต้นฉบับ
- ห้ามเติมหรือจับคู่ค่าที่ฉันยังไม่อนุมัติ

ส่งมอบ: clean-data.csv, data-dictionary.csv และ cleaning-log.md แล้วรอฉันตรวจ

จุดตรวจสำคัญ: ยอดชาย + หญิงตรงกับยอดรวมหรือไม่ และจังหวัด/อำเภอทุกแห่งเชื่อมกับรหัสพื้นที่ได้หรือไม่

ช่วง 3 — สถิติมาตรฐานแบบงานสำรวจ

เครื่องมือ: pandas สำหรับสรุปตาราง; SciPy หรือ statsmodels เฉพาะเมื่อข้อมูลและคำถามรองรับการอนุมานทางสถิติ

งาน: เลือกและทำสถิติที่ตอบคำถามของฉัน
เครื่องมือ: pandas; ใช้ SciPy หรือ statsmodels เฉพาะเมื่อจำเป็น

ทำตามลำดับ:
1. ถามคำถามที่ฉันต้องการตอบ
2. เสนอวิธีวิเคราะห์ไม่เกิน 3 แบบ พร้อมเหตุผล
3. ระบุสูตร ตัวหาร ข้อสมมติ และสิ่งที่ข้อมูลทำไม่ได้
4. รอฉันเลือกก่อนคำนวณ
5. หากใช้ SciPy หรือ statsmodels ให้บอกรุ่นและฟังก์ชัน

ตัวเลือกที่พิจารณาได้: จำนวนและร้อยละ ตารางไขว้ ความต่างของสัดส่วน อัตราส่วนเพศ ค่าเฉลี่ยหรือมัธยฐาน และช่วงความเชื่อมั่นเมื่อข้อมูลรองรับ

ส่งมอบ: results-table.csv และคำอธิบายภาษาไทย

ตัวอย่างคำถาม: จังหวัดใดมีสัดส่วนหญิงสูงกว่าชายมากที่สุด? โครงสร้างระดับการศึกษาแตกต่างระหว่างเพศเพียงใด? ความต่างที่เห็นเป็นจำนวนคนหรือเป็นสัดส่วน?

ช่วง 4 — ตารางและกราฟพื้นฐาน

เครื่องมือ: pandas ทำตาราง, Seaborn สร้างกราฟแท่งและกราฟเส้น, Matplotlib ปรับชื่อแกนและส่งออก; ใช้ Matplotlib ทำกราฟวงกลมเฉพาะตัวอย่างที่เหมาะสม

งาน: สร้างตารางและกราฟพื้นฐานทีละชิ้น
เครื่องมือ: pandas, Seaborn และ Matplotlib

ชิ้นงาน:
1. ตารางจำนวนและร้อยละชาย–หญิงรายจังหวัด
2. กราฟแท่ง 10 จังหวัดที่มีประชากรมากที่สุด — Seaborn
3. กราฟเส้นประชากรรวมปี 2564–2566 ของจังหวัดที่ฉันเลือก — Seaborn
4. กราฟวงกลมชาย–หญิงหนึ่งจังหวัดหนึ่งปี — Matplotlib pie

ก่อนวาดทุกชิ้น:
- แสดงตารางข้อมูลที่ใช้
- ระบุตัวหาร หน่วย ปี และแหล่งข้อมูล
- รอฉันอนุมัติ

ใช้ Matplotlib ปรับชื่อแกน แบบอักษร ขนาด และส่งออก PNG/SVG พร้อมรายงานไลบรารีและฟังก์ชันที่ใช้

ก่อนผ่าน: ตัวเลขในตารางต้องตรงกับป้ายกำกับและผลรวมในกราฟทุกภาพ กราฟเส้นต้องใช้แกนเวลา ส่วนกราฟวงกลมต้องรวมเป็น 100%

ช่วง 5 — Scatter plot: ชายกับหญิงรายจังหวัด

เครื่องมือ: pandas, Seaborn scatterplot และ Matplotlib สำหรับเส้นอ้างอิงกับป้ายชื่อ

งาน: สร้าง Scatter plot ชาย–หญิงรายจังหวัด
เครื่องมือ: pandas, Seaborn scatterplot และ Matplotlib

ทำตามลำดับ:
1. กรองปีล่าสุดและแถว DISTRIC=รวม
2. แยก SEX เป็นคอลัมน์ชาย หญิง และรวม
3. ตรวจว่าชาย + หญิง = รวมทุกจังหวัด
4. วาด x=ชาย, y=หญิง, ขนาดจุด=ประชากรรวม
5. ใช้สีแยกภูมิภาคเฉพาะเมื่อมีข้อมูลที่ตรวจแล้ว
6. เพิ่มเส้น x=y และป้ายจังหวัดที่ห่างจากเส้นมากที่สุด

ส่งมอบ: PNG, SVG, plot-data.csv และรุ่นไลบรารี
ห้ามสรุปความสัมพันธ์เชิงเหตุและผล

ช่วง 6 — Pairplot: ดูหลายความสัมพันธ์พร้อมกัน

เครื่องมือ: pandas และ Seaborn pairplot

งาน: สร้าง Pairplot เพื่อสำรวจหลายความสัมพันธ์
เครื่องมือ: pandas และ Seaborn pairplot

เตรียมตัวแปรระดับจังหวัด:
- ประชากรชาย หญิง และรวม
- สัดส่วนหญิง
- อัตราส่วนชายต่อหญิง
- การเปลี่ยนแปลงปี 2564–2566

ตรวจสูตรและหน่วยก่อนวาด เลือกเฉพาะตัวแปรที่ไม่ซ้ำความหมายเกินไป และใช้สีแยกภูมิภาคเฉพาะเมื่อมีข้อมูลที่ตรวจแล้ว

ส่งมอบ: PNG, plot-data.csv และรุ่น Seaborn
อธิบายแนวทแยง การกระจาย ค่านอกกลุ่ม และความสัมพันธ์ที่เกิดเพราะคำนวณจากฐานเดียวกัน

ระวัง: ชาย หญิง และรวมสัมพันธ์กันสูงโดยโครงสร้าง Pairplot ใช้เพื่อสำรวจรูปแบบ ไม่ใช่หลักฐานว่าตัวแปรหนึ่งทำให้อีกตัวแปรเปลี่ยน

ช่วง 7 — Candlebar: การเปลี่ยนแปลงประชากร 2564–2566

เครื่องมือ: pandas และ Plotly graph_objects.Candlestick; ส่งออก HTML แบบโต้ตอบก่อน

งาน: สร้าง Candlebar แสดงการเปลี่ยนแปลงประชากร
เครื่องมือ: pandas และ Plotly graph_objects.Candlestick

กำหนดค่า:
- open = ปี 2564
- close = ปี 2566
- low = ค่าต่ำสุดระหว่างปี 2564–2566
- high = ค่าสูงสุดระหว่างปี 2564–2566

ใช้สีบอกเพิ่มหรือลด เรียงตามร้อยละการเปลี่ยนแปลง และแสดง 15 จังหวัดที่เปลี่ยนมากที่สุดพร้อมตารางตัวเลข

ส่งมอบ: HTML แบบโต้ตอบ; ส่งออก PNG เฉพาะเมื่อเครื่องมือพร้อมอยู่แล้ว ห้ามติดตั้งเพิ่มเอง
อธิบาย open/high/low/close บนภาพ และห้ามเรียกว่า candlestick ทางการเงิน

เหตุผลที่ใช้ได้: ค่าเปิด–ปิดและช่วงสูง–ต่ำมีนิยามตามเวลาอย่างชัดเจน ไม่ได้ยืมรูปทรงกราฟมาใช้โดยไม่มีความหมาย

ช่วง 8 — Map: สัดส่วนหญิงรายจังหวัด

เครื่องมือ: GeoPandas ตรวจและเชื่อมพื้นที่; Plotly สร้างแผนที่สีแบบโต้ตอบ หรือ Folium เมื่อเน้นการชี้ดูรายละเอียด

งาน: สร้างแผนที่สีสัดส่วนหญิงรายจังหวัด
เครื่องมือ: pandas, GeoPandas และ Plotly; ใช้ Folium เป็นทางเลือก

ทำตามลำดับ:
1. เปิด GeoJSON และตรวจระบบพิกัดด้วย GeoPandas
2. เชื่อมข้อมูลกับพื้นที่
3. รายงานชื่อหรือรหัสที่จับคู่ได้ ไม่ได้ และซ้ำ
4. รอฉันตรวจการเชื่อม
5. ใช้ Plotly สร้าง choropleth แบบโต้ตอบ

หาก Plotly ใช้กับ GeoJSON ไม่ได้ ให้เสนอ Folium และรอฉันอนุมัติก่อนเปลี่ยน ห้ามทิ้งพื้นที่ที่เชื่อมไม่ได้เงียบ ๆ

ส่งมอบ: HTML; PNG เฉพาะเมื่อเครื่องมือพร้อมอยู่แล้ว พร้อมช่วงสี ค่าว่าง แหล่งข้อมูล ปี ตัวหาร และรุ่นไลบรารี

ลองต่อ: ทำแผนที่สองแบบจากข้อมูลเดียวกัน—จำนวนคนและสัดส่วน—แล้วอธิบายว่าเหตุใดภาพจึงเล่าเรื่องต่างกัน

ช่วง 9 — ท้าทายข้อสรุปและสร้างเรื่องเล่า

งาน: ตรวจความสอดคล้องและท้าทายข้อสรุป

ตรวจทีละชิ้น:
1. ตาราง กราฟ และแผนที่ใช้ตัวเลขตรงกันหรือไม่
2. ตัวหารและปีข้อมูลตรงกันหรือไม่
3. มีการปนประชากรทะเบียนกับประชากรสำรวจหรือไม่
4. ขนาดจังหวัดหรือการรวมระดับพื้นที่ทำให้เข้าใจผิดหรือไม่
5. มีข้อความใดอ้างเหตุและผลเกินข้อมูลหรือไม่

ถามฉันทีละข้อและรอคำตอบ เมื่อผ่านแล้วช่วยเขียนคำอธิบาย 150–200 คำ โดยแยกหัวว่า:
- ข้อมูลแสดงว่า
- อาจอธิบายได้ว่า
- ยังสรุปไม่ได้ว่า

จากภาพพื้นฐานสู่ภาพขั้นต่อไป

ภาพ	เหมาะกับคำถาม	จุดที่ต้องระวัง
ตาราง	ต้องการอ่านค่าจำนวน ร้อยละ หรืออัตราส่วนอย่างแม่นยำ	ระบุหน่วย ตัวหาร ปี และยอดรวม
กราฟแท่ง	เปรียบเทียบค่าระหว่างจังหวัดหรือกลุ่ม	เริ่มแกนที่ศูนย์เมื่อความยาวแท่งแทนขนาด
กราฟเส้น	ดูการเปลี่ยนแปลงตามเวลา	อย่าเชื่อมหมวดหมู่ที่ไม่มีลำดับเวลา
กราฟวงกลม	แสดงส่วนประกอบของยอดรวมหนึ่งชุดที่มีหมวดหมู่น้อย	ต้องรวม 100% และไม่ใช้หลายวงเพื่อเปรียบเทียบ
Scatter plot	ชาย–หญิงสัมพันธ์และต่างกันอย่างไรในแต่ละจังหวัด	ขนาดจังหวัดครอบงำภาพและไม่ใช่เหตุ–ผล
Pairplot	สำรวจการกระจาย ค่านอกกลุ่ม และความสัมพันธ์หลายคู่	หลายตัวแปรคำนวณจากฐานเดียวกันจึงสัมพันธ์โดยโครงสร้าง
Candlebar	ค่าเริ่ม–จบและช่วงสูง–ต่ำของประชากรระหว่างปี	ต้องนิยาม open/high/low/close ชัดและไม่อ้างว่าเป็นข้อมูลการเงิน
แผนที่สี	รูปแบบเชิงพื้นที่ของอัตราหรือสัดส่วน	ตรวจการเชื่อมชื่อพื้นที่ ช่วงสี และพื้นที่ไม่มีข้อมูล

Checkpoint

จบบทเรียน

ติ๊กเมื่อคุณเปิดตรวจชิ้นงานจริงแล้ว ระบบจะจำสถานะไว้ในเบราว์เซอร์นี้

ความสำเร็จ 0%

เก็บข้อมูลต้นฉบับ URL วันที่ดาวน์โหลด และคำอธิบายตัวแปรครบ ระบุหนึ่งแถว หน่วยพื้นที่ ประชากรฐาน ปี และตัวหารได้ ตรวจยอดรวม ค่าซ้ำ ค่าว่าง และพื้นที่ที่เชื่อมไม่สำเร็จแล้ว มีตารางสถิติมาตรฐานอย่างน้อยหนึ่งตาราง มีกราฟมาตรฐานหนึ่งภาพและกราฟเด่นหนึ่งภาพที่ไม่ทำให้เข้าใจผิด มีแผนที่พร้อมแหล่งข้อมูล ปี วิธีแบ่งช่วงสี และค่าที่ขาด ตาราง กราฟ แผนที่ และข้อความใช้ตัวเลขตรงกัน คำอธิบายแยกสิ่งที่พบ สิ่งที่อาจอธิบาย และสิ่งที่ยังสรุปไม่ได้

ประชากรไทยจากตารางสู่แผนที่