Cara termudah untuk melakukan penskalaan multidimensi dengan Python adalah dengan menggunakan fungsi MDS()<\/strong> dari submodul sklearn.manifold<\/strong> .<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Misalkan kita memiliki pandas DataFrame berikut yang berisi informasi tentang berbagai pemain bola basket:<\/span><\/p>\n Kita dapat menggunakan kode berikut untuk melakukan penskalaan multidimensi dengan fungsi MDS()<\/strong> pada modul sklearn.manifold<\/strong> :<\/span><\/p>\n Setiap baris DataFrame asli telah direduksi menjadi koordinat (x, y).<\/span><\/p>\n Kita dapat menggunakan kode berikut untuk memvisualisasikan koordinat ini dalam ruang 2D:<\/span> <\/p>\n Pemain di DataFrame asli yang memiliki nilai serupa di empat kolom asli (poin, assist, blok, dan rebound) berada berdekatan satu sama lain dalam plot.<\/span><\/p>\n Misalnya pemain F<\/strong> dan G<\/strong> saling tertutup. Berikut nilainya dari DataFrame asli:<\/span><\/p>\n Nilai poin, assist, blok, dan reboundnya sangat mirip, itulah sebabnya keduanya begitu dekat satu sama lain dalam plot 2D.<\/span><\/p>\n Sebaliknya, pertimbangkan pemain B<\/strong> dan K<\/strong> yang berjauhan dalam plot.<\/span><\/p>\n Jika kita mengacu pada nilainya di DataFrame asli, kita dapat melihat bahwa nilainya sangat berbeda:<\/span><\/p>\n Jadi plot 2D adalah cara yang baik untuk memvisualisasikan seberapa mirip setiap pemain di semua variabel dalam DataFframe.<\/span><\/p>\n Pemain dengan statistik serupa dikelompokkan berdekatan sementara pemain dengan statistik sangat berbeda ditempatkan lebih jauh satu sama lain dalam plot.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan Python:<\/span><\/p>\n Cara menormalkan data dengan Python<\/a> Dalam statistik, penskalaan multidimensi adalah cara untuk memvisualisasikan kesamaan observasi dalam kumpulan data dalam ruang Cartesian abstrak (biasanya ruang 2D). Cara termudah untuk melakukan penskalaan multidimensi dengan Python adalah dengan menggunakan fungsi MDS() dari submodul sklearn.manifold . Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya. Contoh: Penskalaan Multidimensi dengan Python Misalkan kita memiliki pandas […]<\/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 Contoh: Penskalaan Multidimensi dengan 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![\"penskalaan](\"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 Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara Menghapus Pencilan dengan Python<\/a>
Cara menguji normalitas dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"