Python ve LuckyTemplatesda ECDF Çizimlerini Kullanma

Bu blog, Ampirik Kümülatif Dağılım İşlevi veya ECDF grafikleri olarak da bilinen bir kümülatif dağılım grafiğinin nasıl kullanılacağını gösterecek ve bu grafik varyasyonunu diğer grafik türlerine göre kullanmanın avantajlarını gösterecek. Bu eğitimin tam videosunu bu blogun alt kısmında izleyebilirsiniz .

Çoğu kişi , her veri noktasını doğrudan çizerken verileri görselleştirmek için yerine ECDF grafiklerini tercih eder ve bu özellik, kullanıcının çizimle etkileşime girmesini kolaylaştırır. Bugün, Python ve LuckyTemplates'da ECDF kullanmayı öğrenecek ve veri dağıtımıyla ilgili sunumlarınızı ve raporlarınızı iyileştireceksiniz.

İçindekiler

• Dağıtım Grafikleri Çeşitleri
• Histogram Çizim Kodu
• KDE Grafiği
• ECDF Grafiklerini Şekillendirme
  • ECDF Grafikleri Kod Esasları
• Çözüm

Dağıtım Grafikleri Çeşitleri

Verilerimi belirli bir günde, Cumartesi günü filtreleyerek başlayacağım ve aşağıda dağıtımları açıklamak için kullanılan tüm bu Python grafiklerini görebiliriz. Burada ECDF grafiğimiz, histogramımız, KDE grafiğimiz ve Box grafiğimiz var.

Tüm bu grafikler, verilerin nasıl yayıldığını veya dağıtıldığını açıklayacaktır. Örneğin, aşağı inip histograma bakarsak, bu uzun kutuların çoğunun verilerimizin bulunduğu yerde olduğunu görebiliriz.

Yaklaşık 3,50 ABD Doları ile, aşağıdaki veri kümemizde İpuçları verilerimiz için en yüksek bölmeye sahibiz .

Dağıtıma bakarken bize farklı bir ölçü veren bir KDE grafiği de kullanabiliriz. Histogram bu bölmelerde olacak sayımla ilgilenirken, KDE yoğunlukla ilgilenir.

Bir KDE çizimi ile, çizimdeki en büyük yoğunluğu veya en yüksek şişkinliği belirleyerek verilerimizin çoğunun nerede olduğunu anlayabilirsiniz. Yani yukarıdaki görselde 2$ ile 4$ arasında bir yere dağıldığını söyleyebiliriz.

Aynı şey, dağılımın 2$ ile 4$ arasında olduğunu gösteren bir Box grafiği için de geçerlidir ve verilerimizin çoğu burada olacaktır. Bize en büyük dağılımın nerede olduğu hakkında bir fikir vermek için kutuyu bölen yatay çizgi olan medyan kullanır.

Ve sonra, y ekseninin sol tarafında yüzdeliklerimizi temsil eden Oran kelimesini görebileceğiniz ECDF grafiğine sahibiz . Arsaya göre, 3,50 ABD doları, verilerimizin yaklaşık %50'sine bakıyoruz ve 5 ABD doları ve altı, verilerimizin %80'inin dağıtıldığı yer.

Histogram Çizim Kodu

Şimdi size histogramdan başlayarak bu çizimlerin her birinin kodunu göstereceğim. Hepsinin çok benzer ve tekrarlanabilir kodlamaları vardır , bu nedenle bir şablon gibi tek bir kod kullanarak bunları hızlıca çıkarabilirsiniz.

Önce  Seaborn'u içe aktarıp sb  olarak kaydetmemiz  ,  ardından  matplotlib.pyplot'u  plt olarak  kaydetmemiz gerekiyor . Farklı stillerde geçiş yapmak için ggplot adında bir arka plan stili  ve bu  matplotlib  değişkenini kullanacağız  .

Örneğin aşağıdaki görselde 11. satırda histogram için bir başlık ve sonraki satırlarda tick boyutları eklediğimizi görüyoruz. Ytikler  ve  xtikler, buna   göre x ve y boyutlarını temsil eder.

14. satırda, yukarıdaki örnekte bir histogram grafiğini temsil eden histplot  gibi, söz konusu grafiği getiren  işleve geçmek için bir Seaborn değişkeni kullanıyoruz . Daha sonra 4. satırdaki verileri bir veri seti olarak fonksiyona aktarıyoruz.

Değerlere getirdiğiniz her şey, veri kümenizi temsil eder ve kopyaları düşürür. Ardından ipuçları için x  ve seaborn ile birlikte  verilerinizi kategoriye göre ayırmanıza olanak tanıyan bir  renk  tonu  kullanacağız  . Görselimize geri dönersek, zaman, zaman veya sigara içen gibi kategorileri olduğunu görebiliriz.

KDE Grafiği

KDE çizimi için her şey neredeyse aynı. Bu gölgeli görünüme sahip olmak için yalnızca gölge adı verilen yeni bir parametreyi geçmemiz gerekiyor. Bunun dışında ton, veri ve geri kalanı aynıdır.

Kutu çizimi ile, birkaç küçük fark dışında çoğunlukla diğer çizimlere benzer. Burada, x'in  günü ve  y'nin  ipuçlarını temsil ettiği  boxplot  işlevini kullanıyoruz  .  Ayrıca bu arsa için renk tonu kullanmıyoruz  .

Bu, ECDF grafiğiyle aynı yapıdır ve tek fark, bir ECDF grafiğinden geçtiğimiz ve gün olarak tonu kullandığımız Seaborn değişkenindedir. Ancak bu tonu elimizdeki başka bir kategoriye de değiştirebiliriz, sigara içen gibi.

Bu kategoriyi geçersek, iki farklı çizgiye sahip bir ECDF grafiği elde ederiz. Bu dağılımlarda, sigara içenlerin bizim belirli çizgi genişliğimize göre daha fazla sahip olduğunu görebiliriz.

Sigara içmeyenler bu verilerin yüzde yüzünü 6 doların altında alırken, sigara içenler 6 dolardan alıyor. Çok ilginç bir şekilde, sigara içenlerimiz belirli bir günde daha büyük bir bahşiş bırakıyor olabilir.

ECDF Grafiklerini Şekillendirme

Artık ECDF grafiklerimizi daha prezentabl hale getirmek için daha fazla biçimlendirebiliriz. Aşağıdaki resimde farklı ECDF grafikleri var. İlk kurguda çizgileri büyüttüm ve farklı bir renk paleti kullandım.

İlk çizimde, fonksiyon içinde farklı parametreler kullandım. Aşağıda gördüğünüz gibi palette yaz olarak  ve çizgi genişliğini 5 olarak  geçtim  . 

Cumartesi ve Pazar'ı da karşılaştırdım, bu yüzden iki farklı yeşil çizgi var. Burada 3 dolarlık bahşişin Pazar için yüzde 45'te ve Perşembe için yüzde 70'te olduğunu görebiliriz, bu da bize insanların Pazar günü daha yüksek bahşiş bırakma eğiliminde olduğunu söyler.

Ayrıca aşağıdaki görseldeki gibi X ve Y eksenini değiştirebilir, çizimimizin içindeki oranı ve ucu değiştirebilir ve paleti değiştirebiliriz.

Burada, arsadaki mor çizgi olan Pazar günü için 2 dolarlık bahşişin 20. yüzdelik dilimde olduğunu görebiliriz. Dolayısıyla veriler, önceki ECDF grafiğiyle aynıdır ve yalnızca sunum farklıdır.

Artık aynı veri setine sahip başka bir grafiğimiz var ve yukarıdaki resimde gösterildiği gibi orijinal eksen konumlarını koruyoruz. Bu seferki fark, çizgilerin yönünün ters olmasıdır.

ECDF Çizim Stili

Koda bakarsak, yaptığımız tek şey  tamamlayıcı eşittir = true parametresini iletmektir. Bu eylem,  verilerimizin %20'sinin dağıtıldığı yerin 2 $ aralığının altında olduğunu söylemek yerine, 2 $ aralığının ve üzerinin verilerimizin %80'inin dağıtıldığını söylememizi sağlayacaktır. Yine, farklı bir görünüm veya sunum şekli ile aynı verilerdir.

Ve dördüncü ve son ECDF grafiğimizde, orantı yerine Sayı kullanıyoruz .

Bu yaklaşım, birkaç arsadan daha fazlasına sahip olduğumuzda yardımcı olur. Aşağıdaki görseldeki sayım sütununa baktığımızda, Cuma günü çok fazla gözlem olmadığını görebiliriz, bu da bize insanların o gün için çok fazla ipucu bırakmadığını söyler.

ECDF Grafikleri Kod Esasları

Koda bakarsak,  bu özel grafiği oluşturmak için ana şey olan Seaborn'u bulacaksınız. Ayrıca şekillendirme için plt  adlı bir değişken olarak kaydedebileceğiniz  matplotlib.pyplot'a sahibiz  .

Daha sonra bu değişkeni, başlıklar ve yazı tipi boyutları eklemek gibi belirli arsamız için farklı stiller oluşturmak için kullanabiliriz. Kodunuzun ana kısmı, Seaborn ile getirdiğimiz ECDF çizim işleviniz olacaktır.

R Betiğinde Dağılım Grafiği: Python Kullanıcı Tanımlı İşlevler Nasıl Oluşturulur ve İçe Aktarılır | R'de GGPLOT2'ye Genel Bakış : ESQUISSE ile Görselleştirmeler

Çözüm

Histogram, KDE, Box ve ECDF grafikleri dahil olmak üzere farklı dağıtım grafiklerini kullanmanın yolları bunlardı. Aynı veri setini kullanarak bir ECDF grafiği sunmanın dört yolunu da öğrendiniz. Tercihinize bağlı olarak herhangi bir yaklaşımı kullanabilirsiniz.

Çiziminizi oluşturmak ve doğru işlevi kullanmak için gerekli kitaplıkları getirmeyi her zaman unutmayın. Bundan sonra, sadece çiziminizin eksen konumu ve tonlar gibi görsel ve stilistik yönlerini değiştirmek meselesi.

Herşey gönlünce olsun,