تحضير البيانات والمكتبات المرتبطة بها
استخدم مكتبة الباندا ومكتبة Seaborn بشكل أساسي.
import pandas as pd
import numpy as np
import seaborn as sns
%matplotlib inline
توليد 4 مجموعات من البيانات وتحويلها إلى DataFrameنوع بيانات
xarray = np.linspace(0,10,100)#生成从0倒10，100个数
yarray = xarray**3+np.random.normal(0,100,100) # y=x^3+正态扰动项
zarray = -100*xarray+np.random.normal(0,10,100) # y=-100x+正态扰动项
warray = 200*xarray**0.5+np.random.normal(0,10,100)
| x | ذ | ض | ث | |
|---|---|---|---|---|
| 0 | 0 | 66.5297 | -7.81256 | 14.5319 |
| 1 | 0.10101 | -34.835 | -18.8105 | 65.9947 |
| 2 | 0.20202 | 37.5717 | -21.8944 | 96.7367 |
| 3 | 0.30303 | 140.38 | -28.7846 | 101.061 |
| 4 | 0.40404 | 202.198 | -47.9113 | 127.187 |
تحليل أحادي أو عديد المتغير
رسم بياني لتوزيع التردد
df.hist(bins=15, color='steelblue', edgecolor='black', linewidth=1.0,
xlabelsize=8, ylabelsize=8, grid=False)
منحنى الكثافة الاحتمالية
sns.kdeplot(df['w'])
مربع مؤامرة
sns.boxplot(data=df)
شخصية كمان
طريقة أخرى فعالة لعرض البيانات الرقمية المجمعة باستخدام مخطط كثافة النواة (يصور كثافة احتمالية البيانات بقيم مختلفة)
sns.violinplot(data=df)
تحليل متعدد المتغيرات
خريطة الارتباط الحراري
sns.heatmap(round(df.corr(),2), annot=True, cmap="coolwarm",fmt='.2f',
linewidths=.05)
مؤامرة مبعثرة مقترنة
sns.pairplot(data=df,diag_kind='kde')
التوزيع الاحتمالي المشترك
sns.jointplot(x='x',y='y',data=df,kind='kde')
