Der einfachste Weg, eine mehrdimensionale Skalierung in Python durchzuf\u00fchren, ist die Verwendung der Funktion MDS()<\/strong> des Submoduls sklearn.manifold<\/strong> .<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame, der Informationen \u00fcber verschiedene Basketballspieler enth\u00e4lt:<\/span><\/p>\n Wir k\u00f6nnen den folgenden Code verwenden, um eine mehrdimensionale Skalierung mit der Funktion MDS()<\/strong> des Moduls sklearn.manifold<\/strong> durchzuf\u00fchren:<\/span><\/p>\n Jede Zeile des urspr\u00fcnglichen DataFrame wurde auf eine (x, y)-Koordinate reduziert.<\/span><\/p>\n Wir k\u00f6nnen den folgenden Code verwenden, um diese Koordinaten im 2D-Raum zu visualisieren:<\/span> <\/p>\n Spieler im urspr\u00fcnglichen DataFrame, die \u00e4hnliche Werte in den urspr\u00fcnglichen vier Spalten (Punkte, Assists, Blocks und Rebounds) haben, liegen im Plot nahe beieinander.<\/span><\/p>\n Beispielsweise sind die Spieler F<\/strong> und G<\/strong> eng beieinander. Hier sind ihre Werte aus dem urspr\u00fcnglichen DataFrame:<\/span><\/p>\n Ihre Werte f\u00fcr Punkte, Assists, Blocks und Rebounds sind alle ziemlich \u00e4hnlich, was erkl\u00e4rt, warum sie im 2D-Plot so nahe beieinander liegen.<\/span><\/p>\n Betrachten Sie im Gegensatz dazu die Spieler B<\/strong> und K<\/strong> , die in der Handlung weit voneinander entfernt sind.<\/span><\/p>\n Wenn wir uns auf ihre Werte im urspr\u00fcnglichen DataFrame beziehen, k\u00f6nnen wir sehen, dass sie ziemlich unterschiedlich sind:<\/span><\/p>\n Das 2D-Diagramm ist also eine gute M\u00f6glichkeit, zu visualisieren, wie \u00e4hnlich sich die einzelnen Spieler \u00fcber alle Variablen im DataFframe hinweg sind.<\/span><\/p>\n Spieler mit \u00e4hnlichen Statistiken werden eng beieinander gruppiert, w\u00e4hrend Spieler mit sehr unterschiedlichen Statistiken in der Handlung weiter voneinander entfernt sind.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in Python ausf\u00fchren:<\/span><\/p>\n So normalisieren Sie Daten in Python<\/a> In der Statistik ist die mehrdimensionale Skalierung eine M\u00f6glichkeit, die \u00c4hnlichkeit von Beobachtungen in einem Datensatz in einem abstrakten kartesischen Raum (normalerweise 2D-Raum) zu visualisieren. Der einfachste Weg, eine mehrdimensionale Skalierung in Python durchzuf\u00fchren, ist die Verwendung der Funktion MDS() des Submoduls sklearn.manifold . Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Mehrdimensionale Skalierung in Python<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#create DataFrane\n<\/span>df = pd. DataFrame<\/span> ({' player<\/span> ': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K '],\n ' points<\/span> ': [4, 4, 6, 7, 8, 14, 16, 19, 25, 25, 28],\n ' assists<\/span> ': [3, 2, 2, 5, 4, 8, 7, 6, 8, 10, 11],\n ' blocks<\/span> ': [7, 3, 6, 7, 5, 8, 8, 4, 2, 2, 1],\n ' rebounds<\/span> ': [4, 5, 5, 6, 5, 8, 10, 4, 3, 2, 2]})\n\n#set player column as index column\n<\/span>df = df. set_index<\/span> (' player<\/span> ')\n\n#view Dataframe\n<\/span>print<\/span> (df)\n\n points assists blocks rebounds\nplayer \nA 4 3 7 4\nB 4 2 3 5\nC 6 2 6 5\nD 7 5 7 6\nE 8 4 5 5\nF 14 8 8 8\nG 16 7 8 10\nH 19 6 4 4\nI 25 8 2 3\nD 25 10 2 2\nK 28 11 1 2\n<\/strong><\/pre>\n from<\/span> sklearn. manifold<\/span> import<\/span> MDS\n\n#perform multi-dimensional scaling\n<\/span>mds = MDS(random_state= 0<\/span> )\nscaled_df = mds. fit_transform<\/span> (df)\n\n#view results of multi-dimensional scaling\n<\/span>print<\/span> (scaled_df)\n\n[[ 7.43654469 8.10247222]\n [4.13193821 10.27360901]\n [5.20534681 7.46919526]\n [6.22323046 4.45148627]\n [3.74110999 5.25591459]\n [3.69073384 -2.88017811]\n [3.89092087 -5.19100988]\n [ -3.68593169 -3.0821144 ]\n [ -9.13631889 -6.81016012]\n [ -8.97898385 -8.50414387]\n [-12.51859044 -9.08507097]]<\/span><\/span><\/strong><\/pre>\n import<\/span> matplotlib.pyplot as<\/span> plt\n\n#create scatterplot\n<\/span>plt. scatter<\/span> (scaled_df[:,0], scaled_df[:,1])\n\n#add axis labels\n<\/span>plt. xlabel<\/span> (' Coordinate 1<\/span> ')\nplt. ylabel<\/span> (' Coordinate 2<\/span> ')\n\n#add lables to each point\n<\/span>for<\/span> i, txt in<\/span> enumerate( df.index<\/span> ):\n plt. annotate<\/span> (txt, (scaled_df[:,0][i]+.3, scaled_df[:,1][i]))\n\n#display scatterplot\n<\/span>plt. show<\/span> ()\n<\/strong><\/pre>\n![\"mehrdimensionale](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mds2.jpg\")
<\/p>\n #select rows with index labels 'F' and 'G'\ndf. loc<\/span> [[' F<\/span> ',' G<\/span> ']]\n\n points assists blocks rebounds\nplayer\t\t\t\t\nF 14 8 8 8\nG 16 7 8 10\n<\/span><\/span><\/strong><\/pre>\n #select rows with index labels 'B' and 'K'\ndf. loc<\/span> [[' B<\/span> ',' K<\/span> ']]<\/span><\/span>\n\n points assists blocks rebounds\nplayer\t\t\t\t\nB 4 2 3 5\nK 28 11 1 2<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So entfernen Sie Ausrei\u00dfer in Python<\/a>
So testen Sie die Normalit\u00e4t in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"