Python Correlation: คู่มือในการสร้างภาพ

ในบล็อกของวันนี้ เราจะแนะนำกระบวนการแสดงภาพ ความสัมพันธ์ของ Pythonและวิธีการนำเข้าภาพเหล่านี้ไปยัง LuckyTemplates คุณสามารถดูวิดีโอทั้งหมดของบทช่วยสอนนี้ได้ที่ด้านล่างของบล็อกนี้

สารบัญ

• ทำความเข้าใจเกี่ยวกับความสัมพันธ์
• แพ็คเกจสำหรับ Python Correlation
• แอตทริบิวต์ของข้อมูล
• ชุดข้อมูลความสัมพันธ์ของ Python
• Python Correlation: การสร้างแผนภาพกระจาย
  • พารามิเตอร์พล็อตกระจายเพิ่มเติม
  • การใช้ตัวแปรหมวดหมู่
  • ความสัมพันธ์กับตัวแปรอื่น ๆ
• Python Correlation: การสร้างแผนภาพการถดถอย
• Python Correlation: การสร้างเมทริกซ์สหสัมพันธ์
  • ความสัมพันธ์หลายตัวแปร x ตัวแปรเดียว
• Python Correlation: การสร้างแผนที่ความร้อน
  • แผนที่ความร้อนด้วยตัวแปรเดียว
• Python Correlation: การสร้าง Staircase Visual
  • ภาพบันไดใน LuckyTemplates
• บทสรุป

ทำความเข้าใจเกี่ยวกับความสัมพันธ์

นี่เป็นภาพที่ดีที่แสดงความสัมพันธ์ประเภทต่างๆ 

เริ่มจากด้านซ้าย เรามีความสัมพันธ์เชิงบวกที่สมบูรณ์แบบซึ่งหมายความว่ามันมีค่าสหสัมพันธ์เท่ากับ 1 จากนั้นจึงตามด้วยความสัมพันธ์เชิงบวกโดยเรียงลำดับจากมากไปหาน้อยซึ่งนำไปสู่ ​​0 

กราฟกลางแสดงความสัมพันธ์ที่ไม่มีค่าความสัมพันธ์เท่ากับ 0 

สุดท้าย ด้านขวามือแสดงค่าความสัมพันธ์เชิงลบที่ลดลงจาก 0 กราฟด้านขวาสุดคือความสัมพันธ์เชิงลบที่สมบูรณ์แบบซึ่งมีค่าสหสัมพันธ์เท่ากับ -1

แพ็คเกจสำหรับ Python Correlation

เราจะใช้สี่แพ็คเกจสำหรับบทช่วยสอนนี้ แพ็คเกจแรกของเราคือPandasเพื่อใช้สำหรับจัดการข้อมูลและบันทึกเป็นตัวแปร  pd

สำหรับการแสดงภาพ เราจะใช้Matplotlibซึ่งบันทึกเป็น ตัวแปร pltเพื่อให้ใช้ฟังก์ชันเหล่านี้ได้ง่ายขึ้น Seaborn ไลบรารีการสร้าง ภาพสถิติของเราจะถูกบันทึกเป็นsns และสุดท้ายNumpyที่จะบันทึกเป็นnpจะใช้สำหรับพีชคณิตเชิงเส้น 

สำหรับข้อมูล เราจะใช้ชุดข้อมูลตัวอย่างใน Seaborn จากนั้นใช้ตัวแปร sns เราจะนำ ชุดข้อมูล เพชรมาแสดงด้านล่าง .

แอตทริบิวต์ของข้อมูล

เราสามารถดูแอตทริบิวต์ของข้อมูลของเราได้โดยใช้ฟังก์ชันdataset.info ฟังก์ชันนี้แสดงให้เราเห็นประเภทข้อมูลที่แตกต่างกันทั้งหมดดังที่เห็นในคอลัมน์สุดท้ายด้านล่าง

โปรดทราบว่าความสัมพันธ์จะใช้ได้กับตัวแปรที่เป็นตัวเลขเท่านั้น ดังนั้น เราจะดูที่ตัวแปรที่เป็นตัวเลขเป็นส่วนใหญ่ อย่างไรก็ตาม เราจะได้เรียนรู้วิธีใช้ตัวแปรตามหมวดหมู่สำหรับการแสดงภาพด้วย 

ชุดข้อมูลความสัมพันธ์ของ Python

ด้วยการใช้ function head ที่เขียนเป็นdataset.headเราจะได้ข้อมูล 5 แถวบนสุดซึ่งควรมีลักษณะดังนี้

เรามีกะรัตในคอลัมน์แรก ตามด้วยตัวแปรตามหมวดหมู่cut , color , and Clarity , และค่าตัวเลขสำหรับข้อมูลที่เหลือ 

Python Correlation: การสร้างแผนภาพกระจาย

เมื่อแสดงภาพความ สัมพันธ์  และดูที่ตัวแปรสองตัว เรามักจะดูที่แผนภาพกระจาย

ดังนั้น การใช้ไลบรารี Seaborn เราจึงสร้างแผนภาพกระจายโดยใช้ฟังก์ชันแผนภาพกระจายที่เราส่งผ่านข้อมูลที่เราบันทึกไว้ด้านบนเป็นdata =dataset จากนั้น เราระบุตัวแปร X และ Y— กะรัตและราคาตามลำดับ 

นี่คือโครงเรื่องกระจายของเราที่สร้างจากห้องสมุด Seaborn 

คุณจะเห็นได้ว่า Scatter Plot นี้ค่อนข้างหนาแน่น นั่นเป็นเพราะเรามีข้อมูลประมาณ 54,000 แถว และจุดต่างๆ ไม่จำเป็นต้องแสดงด้วยวิธีที่ดีที่สุด

เราสามารถกดแป้น Shift + Tab เพื่อดูวิธีต่างๆ ในการจัดรูปแบบพล็อตกระจาย มันจะแสดงรายการพารามิเตอร์ต่าง ๆ ที่เราสามารถเพิ่มลงในพล็อตกระจายของเรา 

การเลื่อนลงมาจะทำให้เราทราบข้อมูลว่าพารามิเตอร์แต่ละรายการทำหน้าที่อะไร 

พารามิเตอร์พล็อตกระจายเพิ่มเติม

มาดำน้ำกันสักหน่อย เราสามารถทำให้linewidth=0ได้ เพราะเส้นสีขาวในแผนภาพกระจายอันแรกของเรา ดังที่แสดงด้านล่าง ค่อนข้างคลุมเครือ 

นอกจากนี้เรายังต้องการปรับอัลฟาเพื่อให้เราสามารถควบคุมความทึบได้ ลองใช้alpha=0.2สำหรับตัวอย่างของเรา แต่แน่นอนว่าคุณสามารถเปลี่ยนเป็น 0.1 ได้เช่นกัน 

หากเราเพิ่มพารามิเตอร์เหล่านี้และคลิกที่Runคุณจะเห็นว่าแผนการกระจายของเรามีความทึบมากขึ้นโดยไม่มีเส้นสีขาว 

คุณสามารถเล่นกับพารามิเตอร์ต่างๆ เพื่อให้ได้ภาพที่ดีที่สุดที่คุณกำลังมองหา 

การใช้ตัวแปรหมวดหมู่

เรายังสามารถใช้ตัวแปรตามหมวดหมู่เพื่อปรับปรุงภาพของเราได้อีกด้วย ตัวอย่างเช่น เรารู้ว่าข้อมูลของเรามีการเจียระไนสำหรับเพชรของเรา 

สิ่งที่เราทำได้คือส่งผ่านหมวดหมู่การตัดนั้นโดยใช้ พารามิเตอร์ hueเป็นhue='cut' ซึ่งจะทำให้เราเห็นภาพจุดเหล่านี้ได้โดยการเปลี่ยนสี 

แน่นอน เราสามารถเพิ่มพารามิเตอร์อื่นๆ เช่น อัลฟ่า เป็นต้น เราสามารถเพิ่มอีกครั้ง ตั้งค่าเป็น 0.2 และดูว่าการเปลี่ยนแปลงนั้นเป็นอย่างไร ลองคลิกRunแล้วคุณจะเห็นความแตกต่างเล็กน้อย 

เราสามารถเล่นกับพารามิเตอร์เพื่อให้ได้ภาพที่เราต้องการ นอกจากนี้ เรายังสามารถใช้หมวดหมู่ต่างๆ เช่น ความชัดเจน ซึ่งให้หมวดหมู่ความชัดเจนแก่เรา และยังให้มุมมองที่แตกต่างกันเล็กน้อยของการกระจายนั้น

ความสัมพันธ์กับตัวแปรอื่น ๆ

คุณอาจสนใจว่าค่าอื่นๆ มีความสัมพันธ์กันอย่างไรนอกเหนือจากราคาและกะรัต ดังนั้น หากเราดูแผนการกระจายสำหรับตารางซึ่งเป็นมิติตัวเลขของเพชรและ  ความลึกเราจะเห็นว่าไม่มีความสัมพันธ์เชิงเส้นแบบหนึ่งต่อหนึ่ง

เรายังสามารถดูตัวแปรอื่นๆ อีกสอง ตัวแปรเช่นความลึกและราคา จากกราฟเราจะเห็นว่าศูนย์ข้อมูลอยู่รอบ ๆ พื้นที่ตรงกลาง

Python Correlation: การสร้างแผนภาพการถดถอย

มาดูสิ่งที่เราเรียกว่าแผนภาพถดถอยที่ช่วยให้เราสามารถประเมินความสัมพันธ์เชิงเส้นระหว่างตัวแปรสองตัวได้ 

ดังนั้นแทนที่จะใช้ฟังก์ชัน scatter plot เราจะใช้ ฟังก์ชัน regplotในครั้งนี้ เราจะส่งผ่านโครงสร้างเดียวกัน—ข้อมูลของเรา จากนั้นตัวแปร X และ Y 

ผลลัพธ์จะแสดงเส้นที่วัดความสัมพันธ์เชิงเส้นระหว่างตัวแปร นอกจากนี้ยังเห็นได้ชัดว่าค่านิยมของเราวนรอบเส้นถดถอยนั้นอย่างไร

นี่ไม่ใช่ภาพที่สวยงามมากในขณะนี้ แต่เรายังสามารถเพิ่มประสิทธิภาพเพื่อให้ได้ภาพที่ดียิ่งขึ้น ตัวอย่างเช่น เราสามารถส่งผ่านสไตล์โดยใช้ตัวแปร Matplotlib เราสามารถเปลี่ยนสไตล์เป็นพื้นหลังสีเข้มได้โดยใช้โค้ดplt.style.use('dark_background') 

ใช้โครงร่างการถดถอยแบบเดียวกันนั้นและส่งคำหลักบางคำสำหรับการกระจายและบรรทัดของเรา ลองใช้สีแดงและความกว้างของเส้น 1 สำหรับเส้นถดถอยของเรา line_kws ={“color” : “red”, 'linewidth' : 1). 

สำหรับคีย์เวิร์ดกระจาย ให้ตั้งค่าสีเป็นสีขาว สีขอบเป็นสีเทา และความทึบเป็น 0.4 เพื่อเขียนเป็นscatter_kws={“color” : “white”, 'edgecolor' : 'grey', 'alpha' : 0.4 ). 

พารามิเตอร์เหล่านี้ให้มุมมองที่แตกต่างกันเล็กน้อยที่แสดงด้านล่าง 

Python Correlation: การสร้างเมทริกซ์สหสัมพันธ์

จนถึงตอนนี้ สิ่งที่เรากำลังดูคือแผนการกระจายที่มีตัวแปรเพียงสองตัว แต่เราอาจต้องการดูความสัมพันธ์ของตัวแปรทั้งหมดของเราด้วย

สิ่งนี้ดำเนินการโดยใช้ชุดข้อมูลของเราที่มีฟังก์ชัน data frame ที่เรียกว่า correlation ซึ่งแสดงเป็นdataset.corr และสิ่งที่เราจะได้คือเมทริกซ์ที่แสดงความสัมพันธ์ของตัวแปรเหล่านี้แต่ละตัว 

ตัวเลขในตารางด้านบนแสดงถึงความสัมพันธ์ของเพียร์สันซึ่งมุ่งเน้นไปที่ความสัมพันธ์เชิงเส้นระหว่างตัวแปรเหล่านี้ทั้งหมด 

แต่ถ้าเราไม่แน่ใจว่าตัวแปรของเรามีความสัมพันธ์เชิงเส้นทั้งหมดหรือไม่ เราสามารถใช้ความสัมพันธ์ประเภทอื่นซึ่งเน้นที่ผลกระทบมากกว่าส่วนที่เป็นเส้นตรง เรียกว่าความสัมพันธ์แบบสเปียร์แมน 

และเราสามารถดูข้อมูลเกี่ยวกับสิ่งเหล่านี้ได้โดยการกด Shift + Tab หากคุณเลื่อนลงมา เราจะเห็นความสัมพันธ์ของอันดับสเปียร์แมน ค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน และวิธีการวัดข้อมูลของเราด้วยวิธีต่างๆ มากมาย 

เมื่อมองย้อนกลับไปที่เมทริกซ์สหสัมพันธ์ก่อนหน้านี้ เรารู้ว่าราคาและกะรัตมีความสัมพันธ์กันค่อนข้างดี

พวกมันมาจากพล็อตของเราตรงนี้ แสดงว่าพวกมันค่อนข้างเป็นเส้นตรงที่ 0.92 

ตอนนี้ถ้าเราใช้ความสัมพันธ์ของ Spearman แทน ผลกระทบหรืออันดับจะสูงขึ้นเล็กน้อยที่ 0.96

ความสัมพันธ์ประเภทต่างๆ เหล่านี้ทำให้เราสามารถเลือกคุณลักษณะต่างๆ ของความสัมพันธ์ระหว่างตัวแปรเหล่านั้นได้ 

ความสัมพันธ์หลายตัวแปร x ตัวแปรเดียว

บางครั้ง เราไม่ต้องการเห็นเมทริกซ์เพราะเรากังวลมากกว่าเกี่ยวกับความสัมพันธ์ของตัวแปรทั้งหมดที่มีตัวแปรเดียว (เช่น ราคา)

สิ่ง  ที่เราทำได้คือแยกราคาโดยใช้dataset.corrตามด้วย'price'

ตอนนี้ เราจะเห็นว่าราคามีความสัมพันธ์กับตัวแปรตัวเลขต่างๆ ทั้งหมดในตารางนี้ และเหตุผลที่เราอาจต้องการทำเช่นนี้ก็เพื่อแปลงภาพ 

มาดูการแสดงภาพเมทริกซ์สหสัมพันธ์ของเราด้วยแผนที่ความร้อน

Python Correlation: การสร้างแผนที่ความร้อน

เราสามารถส่งตัวแปรความสัมพันธ์นี้ไปยังแผนที่ความร้อน ของ Seaborn โดยใช้ฟังก์ชันsns.heatmap

นี่จะทำให้เรามีแผนที่ความร้อนที่มีลักษณะเช่นนี้

อีกครั้ง เราสามารถเพิ่มพารามิเตอร์ตามความต้องการของเรา เราสามารถส่งผ่านพารามิเตอร์linewidths=1และเพิ่มคำอธิบายประกอบโดยใช้annot= True 

และคุณจะเห็นว่าแผนที่ความร้อนของเราตอนนี้ดูแตกต่างออกไปมาก ตอนนี้เรามีแผนที่ความร้อนที่ค่อนข้างดี 

เราสามารถเห็นประโยชน์ของการเพิ่มบรรทัดและคำอธิบายประกอบ อีกครั้งหากเรากด Shift + Tab พารามิเตอร์ต่าง ๆ ทั้งหมดที่สามารถเข้าไปได้จะปรากฏขึ้น 

ต่อไป ให้ลองเพิ่มmethod='spearman ' ในโค้ดของเรา เพื่อที่คุณจะได้ทราบวิธีการใช้ความสัมพันธ์ประเภทต่างๆ โดยขึ้นอยู่กับกรณีการใช้งานของคุณ 

แผนที่ความร้อนด้วยตัวแปรเดียว

ต่อไป เราจะแยกตัวแปรหนึ่งตัวและสร้างแผนที่ความร้อนที่มีความสัมพันธ์ที่เปลี่ยนจากลบเป็นบวก

นี่จะให้แผนที่ความร้อนแก่เราด้านล่าง

เราสามารถเปลี่ยนสไตล์ได้เช่นกัน ตัวอย่างเช่น เราสามารถใช้ พารามิเตอร์ cmapเป็นcmap='coolwarm ' สิ่งนี้จะเปลี่ยนสีเป็นเย็นและอบอุ่น และจะกำจัดพื้นหลังสีดำของเราด้วย 

ถ้าเราคลิกRunเราจะได้แผนที่ความร้อนด้านล่าง สำหรับความเย็น เรามีสีน้ำเงิน และสำหรับความอบอุ่น เรามีแถบสีแดง 

เรายังสามารถเปลี่ยนทิศทางเพื่อให้แผนที่ของเราตรงกับแถบสีได้อีกด้วย ซึ่งทำได้โดยแก้ไข พารามิเตอร์ sort_values ​​และเพิ่มascending= False 

สิ่งนี้จะเปลี่ยนจากความสัมพันธ์ที่สัมพันธ์กันมากที่สุด (แถบสีแดง) ไปยังความสัมพันธ์ที่น้อยที่สุด (แถบสีน้ำเงิน) 

Python Correlation: การสร้าง Staircase Visual

วิธีขั้นสูงวิธีหนึ่งในการทำให้เห็นภาพความสัมพันธ์ของคือการใช้มาสก์เพื่อบล็อกความสัมพันธ์ทั้งหมดที่เราได้ทำไปแล้ว 

เราสามารถทำได้ด้วย Numpy โดยใช้ฟังก์ชัน TRUE และ FALSE เพื่อสร้างภาพขั้นบันไดสำหรับความสัมพันธ์ของเรา 

ผลลัพธ์ควรมีลักษณะดังนี้

มาดูกันว่าเราจะไพพ์สิ่งนี้ไปยัง LuckyTemplates ได้อย่างไร

ภาพบันไดใน LuckyTemplates

ก่อนอื่น เปิด LuckyTemplates ฉันได้นำชุดข้อมูลอะโวคาโดเข้ามาเพื่อให้เราเห็นภาพที่แตกต่างกัน คุณสามารถดูชุดข้อมูลนี้ได้ภายใต้บานหน้าต่างเขตข้อมูล เริ่มต้น วิชวล Pythonโดยคลิกที่ไอคอน Pythonใต้บานหน้าต่างการแสดงภาพ 

เราจำเป็นต้องสร้างชุดข้อมูลโดยเพิ่มตัวแปรตัวเลขทั้งหมดที่ระบุด้วยเครื่องหมาย? . เพิ่มโดยคลิกช่องทำเครื่องหมายข้างตัวแปรเหล่านี้ 

ตอนนี้เรามีชุดข้อมูลแล้ว เราสามารถไปที่สมุดบันทึก Jupyter และคัดลอกรหัสนี้ที่เรามีก่อนหน้านี้

จากนั้น เราจะคัดลอกโค้ดไปยังตัวแก้ไขสคริปต์ Python ใน LuckyTemplates 

ต่อไป เราจะเลือกวิชวลของเรา ซึ่งจะเป็นวิชวลบันได เราจะกลับไปที่ Jupyter คัดลอกโค้ดที่เราใช้สำหรับภาพบันไดของเรา

วางโค้ดลงในโปรแกรมแก้ไขสคริปต์ Python

สิ่งสุดท้ายที่ต้องทำคือตรวจสอบให้แน่ใจว่าเราใช้plt.showซึ่งจำเป็นในสคริปต์ Python ของคุณ เพิ่มplt.showในบรรทัดสุดท้ายของโค้ด และคลิกไอคอนเรียกใช้ที่มุมขวาบนของโปรแกรมแก้ไขสคริปต์

หากต้องการภาพที่ใหญ่ขึ้น ให้ยืดกรอบออกเล็กน้อยเพื่อให้เรามองเห็นสคริปต์ทำงานในมุม เรามีวิชวลสำหรับแผนที่ความร้อนของเรา ซึ่งดูดีทีเดียว

และใน LuckyTemplates เราสามารถเห็นได้อย่างชัดเจนว่าภาพนั้นอาจเปลี่ยนแปลงอย่างไรตามชุดข้อมูล ตัวอย่างเช่น เราสามารถคลิก ไอคอน ตัวแบ่งส่วนข้อมูลในบานหน้าต่างการแสดงภาพและไปที่พิมพ์ในบานหน้าต่างเขตข้อมูล 

มันจะให้ข้อมูลสองประเภทแก่เราในชุดข้อมูลของเรา แบบทั่วไปและแบบทั่วไป ถ้าเราคลิกประเภทหนึ่ง เช่นอินทรีย์คุณจะเห็นว่าแผนที่ความร้อนเปลี่ยนไป 

การเปลี่ยนแปลงจะมีผลเมื่อเราคลิกที่ ประเภท ทั่วไปถัดไป

โปรดจำไว้ว่าเราต้องมีตัวแปรที่เป็นหมวดหมู่ในชุดข้อมูลของ สคริปต์ Pythonเพื่อให้ตัวกรองเหล่านี้ทำงานได้ อย่างที่เราเห็น ชุดข้อมูลที่เราสร้างขึ้นมีประเภททำให้เราสามารถกรองภาพในลักษณะนั้นได้ 

สร้างความสัมพันธ์แบบจำลองข้อมูลของคุณใน
การวิเคราะห์ข้อความ LuckyTemplates ใน Python | การเขียนสคริปต์ Python บทนำ
ในรายงานข้อมูล LuckyTemplates

บทสรุป

ในบล็อกนี้ คุณได้เ��ียนรู้วิธีแสดงภาพความสัมพันธ์ใน Python และ LuckyTemplates โดยใช้วิธีการต่างๆ เช่น ความสัมพันธ์แบบ Pearson และความสัมพันธ์อันดับ Spearman 

ตอนนี้ คุณสามารถสร้างแผนภูมิกระจาย แผนภูมิการถดถอย เมทริกซ์สหสัมพันธ์ แผนที่ความร้อน และภาพแบบขั้นบันไดเพื่อให้ได้ภาพที่ดีที่สุดสำหรับชุดข้อมูลของคุณ คุณยังสามารถใช้พารามิเตอร์ต่างๆ เพื่อปรับปรุงสไตล์และวิชวล 

สิ่งที่ดีที่สุด