ارتباط بايثون: دليل في تكوين المرئيات

في مدونة اليوم ، سنتناول عملية تصور ارتباط Python ، وكيفية استيراد هذه المرئيات إلى LuckyTemplates. يمكنك مشاهدة الفيديو الكامل لهذا البرنامج التعليمي أسفل هذه المدونة.

جدول المحتويات

• فهم الارتباطات
• حزم ارتباط بايثون
• سمات البيانات
• مجموعة بيانات ارتباط بايثون
• ارتباط بايثون: إنشاء مخطط مبعثر
  • معلمات مخطط التبعثر الإضافية
  • استخدام المتغيرات الفئوية
  • الارتباط مع المتغيرات الأخرى
• ارتباط بايثون: إنشاء مخطط انحدار
• ارتباط بايثون: إنشاء مصفوفة ارتباط
  • متعددة × ارتباط متغير واحد
• ارتباط بايثون: إنشاء خريطة حرارية
  • خريطة حرارية بمتغير واحد
• ارتباط بايثون: إنشاء مرئي درج
  • Staircase Visual في LuckyTemplates
• خاتمة

فهم الارتباطات

إليكم صورة جميلة توضح الأنواع المختلفة من الارتباطات. 

بدءًا من اليسار ، لدينا ارتباط موجب مثالي مما يعني أن قيمة الارتباط هي 1. ثم يتبعها ارتباطات موجبة بترتيب تنازلي تؤدي إلى الصفر. 

لا يظهر الرسم البياني الأوسط أي ارتباط يشير إلى قيمة ارتباط تساوي 0. 

أخيرًا ، يعرض الجانب الأيمن قيم ارتباط سالبة متناقصة من 0. ��لرسم البياني الموجود في أقصى اليمين هو الارتباط السلبي المثالي الذي له قيمة ارتباط -1.

حزم ارتباط بايثون

سنستخدم أربع حزم لهذا البرنامج التعليمي. أول حزمة لدينا هي Pandas لاستخدامها في معالجة البيانات وحفظها على أنها pd متغير . 

للتصور ، سوف نستخدم Matplotlib ، المحفوظة كمتغير plt لتسهيل استخدام هذه الوظائف. سيتم حفظ Seaborn ، مكتبة التصور الإحصائي الخاصة بنا ، بتنسيق sns . وأخيرًا ، سيتم استخدام  Numpy ، ليتم حفظه كـ np ، في الجبر الخطي.

بالنسبة للبيانات ، سوف نستخدم عينة مجموعة بيانات في Seaborn. ثم باستخدام متغير sns ، سنقوم بإحضار مجموعة بيانات الماس كما هو موضح أدناه. .

سمات البيانات

يمكننا عرض سمات بياناتنا باستخدام وظيفة dataset.info . توضح لنا هذه الوظيفة جميع أنواع البيانات المختلفة كما هو موضح في العمود الأخير أدناه.

لاحظ أن الارتباط يعمل فقط على المتغيرات العددية ، وبالتالي ، سننظر في المتغيرات العددية في معظم الأوقات. ومع ذلك ، سوف نتعلم أيضًا كيفية استخدام بعض المتغيرات الفئوية للتصور. 

مجموعة بيانات ارتباط بايثون

باستخدام رأس الوظيفة المكتوب على هيئة dataset.head ، يمكننا الحصول على الصفوف الخمسة الأولى من بياناتنا والتي يجب أن تبدو هكذا.

لدينا قيراط في العمود الأول ، متبوعًا بالمتغيرات الفئوية المقطوعة واللون والوضوح ، ثم القيم العددية لبقية البيانات  .

ارتباط بايثون: إنشاء مخطط مبعثر

عند تصور الارتباطات والنظر إلى متغيرين ، فإننا عادة ما ننظر إلى مخططات التبعثر . 

وبالتالي ، باستخدام مكتبة Seaborn ، أنشأنا مخططنا المبعثر باستخدام وظيفة مخطط التشتت حيث مررنا البيانات التي حفظناها أعلاه كبيانات = مجموعة بيانات . ثم حددنا المتغيرين X و Y - قيراط وسعر على التوالي. 

ها هي مخططنا المبعثر المصنوع من مكتبة Seaborn. 

يمكنك أن ترى أن مخطط التشتت هذا كثيف للغاية. هذا لأن لدينا حوالي 54000 صف من البيانات ولا يتم تمثيل النقاط بالضرورة بأفضل طريقة.

يمكننا الضغط على مفاتيح Shift + Tab لمعرفة الطرق المختلفة لتصميم مخطط التشتت. سيُظهر لنا قائمة بالمعلمات المختلفة التي يمكننا إضافتها إلى مخطط التبعثر. 

يمنحنا التمرير لأسفل معلومات حول ما تفعله كل معلمة من المعلمات المدرجة. 

معلمات مخطط التبعثر الإضافية

دعونا نتعمق قليلا. يمكننا أن نجعل عرض الخط = 0 لأن الخطوط البيضاء في مخططنا المبعثر الأول ، كما هو موضح أدناه ، تحجب الأشياء إلى حد ما. 

نريد أيضًا ضبط ألفا حتى نتمكن من التحكم في التعتيم. لنستخدم alpha = 0.2 كمثال. لكن بالطبع ، يمكنك تغيير ذلك إلى 0.1 أيضًا. 

إذا أضفنا هذه المعلمات ونقرنا على تشغيل ، يمكنك أن ترى أن مخطط التبعثر الخاص بنا يصبح أكثر تعتيمًا بدون الخطوط البيضاء. 

يمكنك التلاعب بالمعلمات للحصول على أفضل صورة تبحث عنها. 

استخدام المتغيرات الفئوية

يمكننا أيضًا استخدام بعض متغيراتنا الفئوية لتحسين صورنا. على سبيل المثال ، نعلم أن بياناتنا تحتوي على قطع ألماسنا. 

ما يمكننا القيام به هو تمرير فئة القطع هذه باستخدام معلمة hue مثل hue = 'cut'. سيسمح لنا ذلك بتصور هذه النقاط عن طريق تغيير الألوان. 

بالطبع ، يمكننا إضافة المزيد من المعلمات مثل alpha ، على سبيل المثال. يمكننا إضافة ذلك مرة أخرى ، وضبطه على 0.2 ، ونرى كيف يغير ذلك الصورة. دعنا نضغط على تشغيل ويمكنك أن ترى القليل من الاختلاف. 

يمكننا التلاعب بالمعلمات للحصول على الصورة المرئية التي نبحث عنها. يمكننا أيضًا استخدام فئات مختلفة مثل الوضوح ، مما يمنحنا فئات الوضوح ويعطينا أيضًا وجهة نظر مختلفة قليلاً عن هذا التشتت.

الارتباط مع المتغيرات الأخرى

قد تكون مهتمًا أيضًا بكيفية ارتباط القيم الأخرى بخلاف السعر والقيراط. لذلك إذا نظرنا إلى مخطط مبعثر للجدول ، وهو البعد العددي لهذا الماس والعمق  ، يمكننا أن نرى أنه لا توجد علاقة خطية فردية.

يمكننا أيضًا النظر إلى متغيرين آخرين مثل العمق والسعر . استنادًا إلى الرسم البياني ، يمكننا أن نرى أن مراكز البيانات حول المنطقة الوسطى.

ارتباط بايثون: إنشاء مخطط انحدار

لننتقل إلى ما نسميه مخطط الانحدار الذي يسمح لنا بتقييم العلاقة الخطية بين متغيرين. 

لذا بدلاً من دالة مخطط التبعثر ، سنستخدم دالة regplot هذه المرة. سنمرر في نفس البنية - بياناتنا ثم متغيري X و Y. 

تظهر النتيجة خطًا يقيس العلاقة الخطية بين المتغيرات. من الواضح أيضًا كيف تدور قيمنا حول خط الانحدار هذا.

هذه ليست صورة بصرية جميلة جدًا في الوقت الحالي ، ولكن لا يزال بإمكاننا تحسينها للحصول على صورة أفضل. على سبيل المثال ، يمكننا تمرير نمط باستخدام متغير Matplotlib. يمكننا تغيير النمط إلى خلفية داكنة باستخدام الكود plt.style.use ('dark_background'). 

خذ نفس مخطط الانحدار وقم بتمرير بعض الكلمات الرئيسية لمبعثرنا وخطنا. دعنا نستخدم اللون الأحمر وخط عرض 1 لخط الانحدار. تمت كتابة هذا كـ line_kws = {"color": "red"، "linewidth": 1). 

بالنسبة إلى الكلمات الرئيسية المبعثرة الخاصة بنا ، فلنقم بتعيين اللون على أنه أبيض ، ولون الحافة باللون الرمادي ، والعتامة 0.4 على النحو scatter_kws = {"color": "white" ، "edgecolor": "grey" ، "alpha": 0.4 ). 

تعطينا هذه المعلمات قليلاً من وجهة نظر مختلفة كما هو موضح أدناه. 

ارتباط بايثون: إنشاء مصفوفة ارتباط

حتى الآن ، ما كنا نبحث عنه هو مخططات مبعثرة بمتغيرين فقط ، لكننا قد نرغب أيضًا في إلقاء نظرة على جميع ارتباطاتنا المتغيرة.

يتم تنفيذ ذلك باستخدام مجموعة البيانات الخاصة بنا مع وظيفة إطار بيانات تسمى الارتباط ممثلة على أنها dataset.corr. وما سنحصل عليه هو مصفوفة توضح لنا الارتباطات في كل من هذه المتغيرات. 

تمثل الأرقام في الجدول أعلاه ارتباط بيرسون ، الذي يركز على العلاقة الخطية بين كل هذه المتغيرات. 

ولكن إذا لم نكن متأكدين مما إذا كانت متغيراتنا مرتبطة خطيًا تمامًا ، فيمكننا استخدام نوع مختلف من الارتباط يركز على التأثير أكثر من الجزء الخطي. يطلق عليه ارتباط سبيرمان . 

ويمكننا رؤية معلومات عن كل هذه الأشياء بالضغط على Shift + Tab. إذا قمت بالتمرير لأسفل ، فيمكننا رؤية ارتباط رتبة سبيرمان ، ومعامل ارتباط بيرسون ، والعديد من الطرق المختلفة لقياس بياناتنا. 

إذا نظرنا إلى مصفوفة الارتباط الخاصة بنا في وقت سابق ، فإننا نعلم أن السعر والقيراط مرتبطان جيدًا.

إنها من مؤامرةنا هنا توضح أنها خطية تمامًا عند 0.92. 

الآن إذا استخدمنا ارتباط سبيرمان بدلاً من ذلك ، فسيكون التأثير أو الترتيب أعلى قليلاً عند 0.96.

تسمح لنا هذه الأنواع المختلفة من الارتباطات باختيار سمات مختلفة للارتباط بين تلك المتغيرات. 

متعددة × ارتباط متغير واحد

في بعض الأحيان ، لا نريد رؤية مصفوفة لأننا قلقون أكثر بشأن ارتباط جميع المتغيرات بمتغير واحد فقط (على سبيل المثال ، السعر).

ما يمكننا فعله بعد ذلك هو عزل السعر باستخدام dataset.corr متبوعًا بـ "السعر" . 

الآن ، يمكننا أن نرى أن السعر مرتبط بجميع المتغيرات العددية المختلفة في هذا الجدول. والسبب وراء رغبتنا في القيام بذلك هو المؤامرات المرئية. 

لذلك دعونا نلقي نظرة على تصور مصفوفة الارتباط الخاصة بنا باستخدام خريطة الحرارة.

ارتباط بايثون: إنشاء خريطة حرارية

يمكننا تمرير متغير الارتباط هذا إلى خريطة حرارة Seaborn باستخدام الوظيفة sns.heatmap.

سيعطينا هذا خريطة حرارية تبدو هكذا.

مرة أخرى ، يمكننا إضافة معلمات إلى تفضيلاتنا. يمكننا تمرير المعلمة linewidths = 1 وإضافة التعليقات التوضيحية باستخدام التعليق التوضيحي = True . 

ويمكنك أن ترى أن خريطتنا الحرارية تبدو الآن مختلفة تمامًا. الآن لدينا خريطة حرارة لطيفة جدًا. 

يمكننا أن نرى فائدة إضافة الأسطر والتعليقات التوضيحية. مرة أخرى ، إذا ضغطنا على Shift + Tab ، فستظهر جميع المعلمات المختلفة التي يمكن أن تدخل في ذلك. 

بعد ذلك ، حاول إضافة method = 'spearman ' في الكود الخاص بنا ، حتى تعرف كيفية استخدام نوع مختلف من الارتباط اعتمادًا على حالة الاستخدام الخاصة بك. 

خريطة حرارية بمتغير واحد

بعد ذلك ، نعزل متغيرًا واحدًا وننشئ خريطة حرارية مع انتقال الارتباط من السالب إلى الموجب.

سيعطينا هذا خريطة الحرارة أدناه.

يمكننا بالتأكيد تغيير التصميم أيضًا. على سبيل المثال ، يمكننا استخدام المعلمة cmap كـ cmap = 'coolwarm' . هذا يغير الألوان إلى بارد ودافئ ، وسيزيل الخلفية السوداء أيضًا. 

إذا نقرنا على تشغيل ، فسنحصل على خريطة الحرارة أدناه. للبرودة ، لدينا اللون الأزرق ثم للدفء ، لدينا الأشرطة الحمراء. 

يمكننا أيضًا تغيير الاتجاه لمحاذاة خريطتنا مع شريط الألوان. يتم ذلك عن طريق تحرير معلمة sort_values ​​وإضافة تصاعدي = خطأ . 

سينتقل هذا من الأكثر ارتباطًا (الشريط الأحمر) إلى الأقل ارتباطًا (الشريط الأزرق). 

ارتباط بايثون: إنشاء مرئي درج

تتمثل إحدى الطرق المتقدمة لتصور ارتباط الخاص بنا في استخدام قناع لحجب جميع الارتباطات التي قمنا بها بالفعل. 

يمكننا القيام بذلك مع Numpy ، باستخدام بعض وظائف TRUE و FALSE لجعل الدرج مرئيًا لارتباطاتنا. 

إليك كيف يجب أن تبدو النتائج.

دعونا نرى كيف يمكننا توجيه هذا إلى LuckyTemplates.

Staircase Visual في LuckyTemplates

أولاً ، افتح LuckyTemplates. لقد أحضرت مجموعة بيانات الأفوكادو حتى نتمكن من رؤية بصرية مختلفة. يمكنك رؤية مجموعة البيانات هذه ضمن جزء الحقول. قم بتهيئة بصرية Python بالنقر فوق أيقونة Python أسفل جزء المرئيات. 

نحتاج إلى إنشاء مجموعة البيانات عن طريق إضافة جميع المتغيرات العددية المشار إليها بـ ؟ . قم بإضافتها بالنقر فوق مربعات الاختيار بجانب هذه المتغيرات. 

الآن بعد أن أصبح لدينا مجموعة بيانات ، يمكننا الانتقال إلى دفتر Jupyter الخاص بنا ونسخ هذا الرمز الذي كان لدينا سابقًا.

بعد ذلك ، سنقوم بنسخ الكود إلى محرر نصوص Python في LuckyTemplates. 

بعد ذلك ، سوف نختار بصريتنا ، والتي ستكون الدرج المرئي. سنعود إلى Jupyter ، وننسخ الكود الذي استخدمناه لصور الدرج الخاص بنا.

الصق الكود في محرر نص بايثون.

آخر شيء يجب فعله هو التأكد من أننا نستخدم plt.show ، وهو أمر مطلوب في نص Python الخاص بك. أضف plt.show في السطر الأخير من الكود وانقر على أيقونة التشغيل في الزاوية اليمنى العليا من محرر البرنامج النصي.

للحصول على صورة أكبر ، قم بتمديد المربع قليلاً حتى نتمكن من رؤية النص قيد التشغيل في الزاوية. لدينا بصريتنا لخريطة الحرارة الخاصة بنا ، والتي تبدو لطيفة للغاية.

وفي LuckyTemplates ، يمكننا بالتأكيد أن نرى كيف يمكن أن يتغير هذا المرئي وفقًا لمجموعة البيانات. على سبيل المثال ، يمكننا النقر فوق رمز Slicer في جزء المرئيات والانتقال إلى النوع في جزء الحقول. 

سيعطينا النوعين في مجموعة البيانات لدينا ، التقليدية والعضوية . إذا نقرنا على نوع واحد ، على سبيل المثال عضوي ، يمكنك أن ترى أن خريطة الحرارة تتغير. 

سيتم تطبيق التغييرات أيضًا عند النقر فوق النوع التقليدي التالي.

تذكر أننا بحاجة إلى متغير فئوي في مجموعة البيانات الخاصة ببرنامج Python النصي الخاص بنا لجعل هذه المرشحات تعمل. كما نرى ، تضمنت مجموعة البيانات التي أنشأناها نوعًا ، مما يمكننا من تصفية المرئي بهذه الطريقة. 

بناء علاقات نموذج البيانات في
تحليل نص LuckyTemplates في Python | مقدمة في برمجة
Python النصية في تقارير بيانات LuckyTemplates

خاتمة

في هذه المدونة ، تعلمت كيفية تصور الارتباطات في Python و LuckyTemplates باستخدام طرق مختلفة مثل ارتباط بيرسون وارتباط رتبة سبيرمان. 

الآن ، يمكنك إنشاء مخططات مبعثرة ، ومخططات الانحدار ، ومصفوفة الارتباط ، وخرائط الحرارة ، ومرئيات السلالم للحصول على أفضل صورة لمجموعة بياناتك. يمكنك أيضًا استخدام مجموعة متنوعة من المعلمات لتحسين الأنماط والمرئيات. 

أتمنى لك كل خير،