De eenvoudigste manier om multidimensionaal schalen in Python uit te voeren, is door de functie MDS()<\/strong> van de submodule sklearn.manifold<\/strong> te gebruiken.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende panda’s DataFrame hebben dat informatie bevat over verschillende basketbalspelers:<\/span><\/p>\n We kunnen de volgende code gebruiken om multidimensionaal schalen uit te voeren met de MDS()<\/strong> functie van de sklearn.manifold<\/strong> module:<\/span><\/p>\n Elke rij van het oorspronkelijke DataFrame is teruggebracht tot een (x, y)-co\u00f6rdinaat.<\/span><\/p>\n We kunnen de volgende code gebruiken om deze co\u00f6rdinaten in de 2D-ruimte te visualiseren:<\/span> <\/p>\n Spelers in het originele DataFrame die vergelijkbare waarden hebben in de oorspronkelijke vier kolommen (punten, assists, blocks en rebounds) staan in de plot dicht bij elkaar.<\/span><\/p>\n Spelers F<\/strong> en G<\/strong> zijn bijvoorbeeld gesloten voor elkaar. Hier zijn hun waarden uit het originele DataFrame:<\/span><\/p>\n Hun waarden voor punten, assists, blocks en rebounds zijn allemaal behoorlijk vergelijkbaar, wat verklaart waarom ze zo dicht bij elkaar liggen in de 2D-plot.<\/span><\/p>\n Neem daarentegen spelers B<\/strong> en K<\/strong> die ver uit elkaar staan in het plot.<\/span><\/p>\n Als we naar hun waarden in het originele DataFrame verwijzen, kunnen we zien dat ze behoorlijk verschillend zijn:<\/span><\/p>\n De 2D-plot is dus een goede manier om te visualiseren hoe vergelijkbaar elke speler is voor alle variabelen in het DataFframe.<\/span><\/p>\n Spelers met vergelijkbare statistieken worden dicht bij elkaar gegroepeerd, terwijl spelers met zeer verschillende statistieken verder van elkaar verwijderd zijn in het plot.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in Python kunt uitvoeren:<\/span><\/p>\n Hoe gegevens in Python te normaliseren<\/a> In de statistiek is multidimensionale schaling een manier om de gelijkenis van waarnemingen in een dataset in een abstracte cartesiaanse ruimte (meestal 2D-ruimte) te visualiseren. De eenvoudigste manier om multidimensionaal schalen in Python uit te voeren, is door de functie MDS() van de submodule sklearn.manifold te gebruiken. Het volgende voorbeeld laat zien hoe u deze […]<\/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":[],"class_list":["post-3607","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: multidimensionaal schalen 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![\"multidimensionale](\"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 Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe uitschieters in Python te verwijderen<\/a>
Hoe te testen op normaliteit in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"