12 KiB

Raw Permalink Blame History

Kuonyesha Usambazaji


Kuonyesha Usambazaji - Sketchnote na @nitya

Katika somo lililopita, ulijifunza mambo ya kuvutia kuhusu seti ya data ya ndege wa Minnesota. Ulipata data yenye makosa kwa kuonyesha vipimo vya nje na ukaangalia tofauti kati ya makundi ya ndege kulingana na urefu wao wa juu zaidi.

Jaribio la kabla ya somo

Chunguza seti ya data ya ndege

Njia nyingine ya kuchunguza data ni kwa kuangalia usambazaji wake, yaani jinsi data imepangwa kwenye mhimili. Labda, kwa mfano, ungependa kujifunza kuhusu usambazaji wa jumla, kwa seti hii ya data, wa upana wa mabawa wa juu zaidi au uzito wa mwili wa juu zaidi wa ndege wa Minnesota.

Hebu tujifunze baadhi ya ukweli kuhusu usambazaji wa data katika seti hii ya data. Katika faili notebook.ipynb kwenye mzizi wa folda ya somo hili, leta Pandas, Matplotlib, na data yako:

import pandas as pd
import matplotlib.pyplot as plt
birds = pd.read_csv('../../data/birds.csv')
birds.head()

	Jina	Jina la Kisayansi	Kategoria	Oda	Familia	Jenasi	Hali ya Uhifadhi	UrefuMdogo	UrefuMkuu	UzitoMdogo	UzitoMkuu	MabawaMdogo	MabawaMkuu
0	Black-bellied whistling-duck	Dendrocygna autumnalis	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Dendrocygna	LC	47	56	652	1020	76	94
1	Fulvous whistling-duck	Dendrocygna bicolor	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Dendrocygna	LC	45	53	712	1050	85	93
2	Snow goose	Anser caerulescens	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	64	79	2050	4050	135	165
3	Ross's goose	Anser rossii	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	57.3	64	1066	1567	113	116
4	Greater white-fronted goose	Anser albifrons	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	64	81	1930	3310	130	165

Kwa ujumla, unaweza kuangalia haraka jinsi data inavyosambazwa kwa kutumia mchoro wa alama kama tulivyofanya katika somo lililopita:

birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))

plt.title('Max Length per Order')
plt.ylabel('Order')
plt.xlabel('Max Length')

plt.show()

Hii inatoa muhtasari wa usambazaji wa jumla wa urefu wa mwili kwa kila Oda ya ndege, lakini si njia bora ya kuonyesha usambazaji wa kweli. Kazi hii kwa kawaida hufanywa kwa kuunda Histogramu.

Kufanya kazi na histogramu

Matplotlib inatoa njia nzuri za kuonyesha usambazaji wa data kwa kutumia Histogramu. Aina hii ya mchoro ni kama mchoro wa nguzo ambapo usambazaji unaweza kuonekana kupitia kupanda na kushuka kwa nguzo. Ili kujenga histogramu, unahitaji data ya namba. Ili kujenga Histogramu, unaweza kuchora mchoro ukifafanua aina kama 'hist' kwa Histogramu. Mchoro huu unaonyesha usambazaji wa UzitoMkuu wa Mwili kwa seti nzima ya data ya namba. Kwa kugawanya safu ya data iliyotolewa katika sehemu ndogo, inaweza kuonyesha usambazaji wa thamani za data:

birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
plt.show()

Kama unavyoona, ndege wengi kati ya 400+ katika seti hii ya data wanaangukia katika safu ya chini ya 2000 kwa UzitoMkuu wa Mwili wao. Pata ufahamu zaidi kuhusu data kwa kubadilisha parameter ya bins kuwa namba kubwa zaidi, kama 30:

birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
plt.show()

Mchoro huu unaonyesha usambazaji kwa undani zaidi. Mchoro usioegemea sana upande wa kushoto unaweza kuundwa kwa kuhakikisha kuwa unachagua tu data ndani ya safu fulani:

Chuja data yako ili kupata ndege tu ambao uzito wa mwili uko chini ya 60, na onyesha bins 40:

filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
plt.show()

✅ Jaribu vichujio vingine na vipengele vya data. Ili kuona usambazaji kamili wa data, ondoa kichujio cha ['MaxBodyMass'] ili kuonyesha usambazaji ulio na lebo.

Histogramu inatoa maboresho mazuri ya rangi na lebo pia:

Unda histogramu ya 2D ili kulinganisha uhusiano kati ya usambazaji mbili. Hebu linganisha MaxBodyMass dhidi ya MaxLength. Matplotlib inatoa njia ya kujengwa kuonyesha mwelekeo kwa kutumia rangi angavu zaidi:

x = filteredBirds['MaxBodyMass']
y = filteredBirds['MaxLength']

fig, ax = plt.subplots(tight_layout=True)
hist = ax.hist2d(x, y)

Inaonekana kuna uhusiano unaotarajiwa kati ya vipengele hivi viwili kwenye mhimili unaotarajiwa, na sehemu moja yenye nguvu ya mwelekeo:

Histogramu hufanya kazi vizuri kwa chaguo-msingi kwa data ya namba. Je, unahitaji kuona usambazaji kulingana na data ya maandishi?

Chunguza seti ya data kwa usambazaji kwa kutumia data ya maandishi

Seti hii ya data pia inajumuisha taarifa nzuri kuhusu kategoria ya ndege na jenasi, spishi, na familia yake pamoja na hali yake ya uhifadhi. Hebu tuchunguze taarifa hii ya uhifadhi. Usambazaji wa ndege kulingana na hali yao ya uhifadhi ukoje?

✅ Katika seti ya data, vifupisho kadhaa vinatumika kuelezea hali ya uhifadhi. Vifupisho hivi vinatoka kwa IUCN Red List Categories, shirika linaloorodhesha hali ya spishi.

CR: Hatari Sana

EN: Hatari

EX: Imeangamia

LC: Wasiwasi Mdogo

NT: Karibu na Hatari

VU: Hatarini

Hizi ni thamani za maandishi kwa hivyo utahitaji kufanya mabadiliko ili kuunda histogramu. Kwa kutumia dataframe ya filteredBirds, onyesha hali yake ya uhifadhi pamoja na MabawaMdogo. Unaona nini?

x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']

kwargs = dict(alpha=0.5, bins=20)

plt.hist(x1, **kwargs, color='red', label='Extinct')
plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
plt.hist(x3, **kwargs, color='yellow', label='Endangered')
plt.hist(x4, **kwargs, color='green', label='Near Threatened')
plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
plt.hist(x6, **kwargs, color='gray', label='Least Concern')

plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
plt.legend();

Haionekani kuwa na uhusiano mzuri kati ya mabawa ya chini na hali ya uhifadhi. Jaribu vipengele vingine vya seti ya data kwa kutumia njia hii. Unaweza kujaribu vichujio tofauti pia. Je, unapata uhusiano wowote?

Mchoro wa wingi

Huenda umeona kuwa histogramu tulizozitazama hadi sasa ni 'zimepangwa' na hazionyeshi mtiririko laini katika umbo la mviringo. Ili kuonyesha mchoro wa wingi ulio laini zaidi, unaweza kujaribu mchoro wa wingi.

Ili kufanya kazi na michoro ya wingi, jifunze kuhusu maktaba mpya ya kuchora, Seaborn.

Ukileta Seaborn, jaribu mchoro wa wingi wa msingi:

import seaborn as sns
import matplotlib.pyplot as plt
sns.kdeplot(filteredBirds['MinWingspan'])
plt.show()

Unaweza kuona jinsi mchoro unavyoakisi ule wa awali kwa data ya MabawaMdogo; ni laini kidogo tu. Kulingana na nyaraka za Seaborn, "Ikilinganishwa na histogramu, KDE inaweza kutoa mchoro ambao si wa fujo na unaeleweka zaidi, hasa wakati wa kuchora usambazaji mwingi. Lakini ina uwezo wa kuleta upotoshaji ikiwa usambazaji wa msingi umefungwa au si laini. Kama histogramu, ubora wa uwakilishi pia unategemea uteuzi wa vigezo vya kulainisha vizuri." chanzo Kwa maneno mengine, vipimo vya nje kama kawaida vitafanya michoro yako kuwa na tabia mbaya.

Ikiwa ungependa kurudia mstari wa UzitoMkuu wa Mwili ulio na pembe katika mchoro wa pili uliouunda, unaweza kuulainisha vizuri kwa kuutengeneza upya kwa kutumia njia hii:

sns.kdeplot(filteredBirds['MaxBodyMass'])
plt.show()

Ikiwa ungependa mstari ulio laini, lakini si laini sana, hariri parameter ya bw_adjust:

sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
plt.show()

✅ Soma kuhusu vigezo vinavyopatikana kwa aina hii ya mchoro na jaribu!

Aina hii ya mchoro inatoa michoro yenye maelezo mazuri. Kwa mistari michache ya msimbo, kwa mfano, unaweza kuonyesha wingi wa uzito wa mwili wa juu zaidi kwa kila Oda ya ndege:

sns.kdeplot(
   data=filteredBirds, x="MaxBodyMass", hue="Order",
   fill=True, common_norm=False, palette="crest",
   alpha=.5, linewidth=0,
)

Unaweza pia kuonyesha wingi wa vipengele kadhaa katika mchoro mmoja. Linganisha UrefuMkuu na UrefuMdogo wa ndege kulingana na hali yao ya uhifadhi:

sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")

Labda inafaa kufanya utafiti ikiwa mkusanyiko wa ndege 'Hatarini' kulingana na urefu wao una maana au la.

🚀 Changamoto

Histogramu ni aina ya mchoro wa kisasa zaidi kuliko michoro ya alama, michoro ya nguzo, au michoro ya mstari ya msingi. Tafuta mifano mizuri ya matumizi ya histogramu kwenye mtandao. Zinatumika vipi, zinaonyesha nini, na katika nyanja au maeneo gani ya uchunguzi zinatumiwa zaidi?

Jaribio la baada ya somo

Mapitio & Kujisomea

Katika somo hili, ulitumia Matplotlib na kuanza kufanya kazi na Seaborn kuonyesha michoro ya kisasa zaidi. Fanya utafiti kuhusu kdeplot katika Seaborn, "mchoro wa wingi wa uwezekano endelevu katika mwelekeo mmoja au zaidi". Soma nyaraka ili kuelewa jinsi inavyofanya kazi.

Kazi

Tumia ujuzi wako

Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI Co-op Translator. Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.

12 KiB Raw Permalink Blame History