科学の箱

科学・IT・登山の話題

Python

seabornをEDAに応用する

投稿日:2018年3月27日 更新日:

seabornを利用すれば基本となるビジュアルと分布、regressionをすぐに取得できる。


import seaborn as sns

tips = sns.load_dataset('tips')

tips.info()

tips.head()

tips.describe()

sns.pairplot(tips, hue='sex', palette='coolwarm')

以上で基本の調査ができる。

 

データについてトレンドを見る場合にはvalue_counts()を利用する


df['zip'].value_counts().head(5)

 

カテゴリーのユニークを見る

df['zip'].unique()

 

ある一つの項目について分布をみるならば


sns.distplot(tips['total_bill'], kde=False)

 

 

2つ以上の変数に関連性を見るためにはjointplotを利用する。


sns.jointplot(x='total_bill', y='tip', data=tips, kind='kde')

 

カテゴリカル変数で違いがあるかを見るためにはまずcountplotでデータの件数を把握してbarplotで各変数に違いがあるかを確認する。


sns.countplot(x='sex', data=tips)

sns.barplot(x='sex', y='total_bill', data=tips)

 

メタ情報

inarticle



メタ情報

inarticle



-Python
-

執筆者:


comment

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です

関連記事

no image

numpyのインポートおよび環境確認

機械学習をする際には必須のnumpy。まずはインポートして利用できるようにする。 import numpy as np # 正しくインポートされれば基本的にはメッセージが出てこない。 逆に下記のような …

no image

特定のパッケージのためのgitignoreを作成したい

https://gitignore.ioを開く パッケージ名を入力 Createをクリック Related posts:numpyで配列を抜き出す方法単回帰でデータフレームの形式を整えるpycharm …

no image

kaggle Titanic Tutorial – 8

前回の結果がいまいちだった。これまではAgeは平均値でNullを埋めていた。平均値では明らか実際のデータと差異が出ると考えられる。そのためAgeがない情報についてより正確なAgeで補完するようにした。 …

no image

タイタニックデータでEDA-2

前回は、タイタニックデータについてはビジュアライズしてデータについて理解を深めた。 今回はデータをいじって機械学習に使えるようにする。 機械学習をするために必要な処理は3つある。 null値の置換 余 …

no image

単回帰でデータフレームの形式を整える

values.reshape(-1, 1)が必要。 Related posts:pythonからoffice365 smtpを利用してメールを送信janomeで品詞を解析する配列の属性を確認

2018年3月
« 2月   4月 »
 1234
567891011
12131415161718
19202122232425
262728293031  

side bar top



アーカイブ

カテゴリー