Il modo pi\u00f9 semplice per eseguire il ridimensionamento multidimensionale in Python \u00e8 utilizzare la funzione MDS()<\/strong> del sottomodulo sklearn.manifold<\/strong> .<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa funzione nella pratica.<\/span><\/p>\n Supponiamo di avere il seguente DataFrame panda che contiene informazioni su vari giocatori di basket:<\/span><\/p>\n Possiamo utilizzare il codice seguente per eseguire il ridimensionamento multidimensionale con la funzione MDS()<\/strong> del modulo sklearn.manifold<\/strong> :<\/span><\/p>\n Ogni riga del DataFrame originale \u00e8 stata ridotta a una coordinata (x, y).<\/span><\/p>\n Possiamo usare il seguente codice per visualizzare queste coordinate nello spazio 2D:<\/span> <\/p>\n I giocatori nel DataFrame originale che hanno valori simili nelle quattro colonne originali (punti, assist, stoppate e rimbalzi) sono vicini tra loro nella trama.<\/span><\/p>\n Ad esempio, i giocatori F<\/strong> e G<\/strong> sono vicini l’uno all’altro. Ecco i loro valori dal DataFrame originale:<\/span><\/p>\n I loro valori per punti, assist, stoppate e rimbalzi sono tutti abbastanza simili, il che spiega perch\u00e9 sono cos\u00ec vicini tra loro nella trama 2D.<\/span><\/p>\n Al contrario, consideriamo i giocatori B<\/strong> e K<\/strong> che sono distanti nella trama.<\/span><\/p>\n Se facciamo riferimento ai loro valori nel DataFrame originale, possiamo vedere che sono abbastanza diversi:<\/span><\/p>\n Quindi la trama 2D \u00e8 un buon modo per visualizzare quanto simile \u00e8 ogni giocatore in tutte le variabili nel DataFframe.<\/span><\/p>\n I giocatori con statistiche simili sono raggruppati vicini mentre i giocatori con statistiche molto diverse sono pi\u00f9 distanti tra loro nella trama.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in Python:<\/span><\/p>\n Come normalizzare i dati in Python<\/a> In statistica, il ridimensionamento multidimensionale \u00e8 un modo per visualizzare la somiglianza delle osservazioni in un set di dati in uno spazio cartesiano astratto (solitamente spazio 2D). Il modo pi\u00f9 semplice per eseguire il ridimensionamento multidimensionale in Python \u00e8 utilizzare la funzione MDS() del sottomodulo sklearn.manifold . L’esempio seguente mostra come utilizzare questa funzione nella […]<\/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 Esempio: scala multidimensionale 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![\"scala](\"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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come rimuovere i valori anomali in Python<\/a>
Come testare la normalit\u00e0 in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"