Helaas heeft Seaborn geen ingebouwde functie om de regressievergelijking uit de regel te extraheren, maar u kunt de functie scipy.stats.linregress<\/strong> gebruiken om snel de regressieco\u00ebffici\u00ebnten te vinden:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze syntaxis in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we de volgende panda’s DataFrame hebben die informatie bevat over de gestudeerde uren en eindexamenscores van verschillende studenten:<\/span><\/p>\n Stel dat we de gegevenspunten willen uitzetten en een passende regressielijn aan de gegevens willen toevoegen.<\/span><\/p>\n We kunnen hiervoor de volgende syntaxis gebruiken:<\/span> <\/p>\n Uit het resultaat kunnen we zien dat de regressielijn de volgende vergelijking heeft:<\/span><\/p>\n j = 77,4 + 1,327<\/strong><\/span><\/p>\n Als we deze vergelijking op de seaborn regplot<\/strong> willen weergeven, kunnen we de functie matplotlib text()<\/strong> gebruiken:<\/span> <\/p>\n Merk op dat de regressievergelijking nu in de linkerbovenhoek van de grafiek wordt weergegeven.<\/span><\/p>\n Merk op dat we in de functie text()<\/strong> hebben gespecificeerd dat de regressievergelijking moet worden weergegeven op basis van de (x, y)-co\u00f6rdinaten van (2, 95).<\/span><\/p>\n U kunt deze co\u00f6rdinaten gerust wijzigen om de regressievergelijking waar u maar wilt in uw eigen plot weer te geven.<\/span><\/p>\n Opmerking<\/strong> : u kunt de volledige documentatie voor de zeegeboren regplotfunctie<\/strong> hier<\/a> vinden.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in Seaborn kunt uitvoeren:<\/span><\/p>\n Hoe u de figuurgrootte van een Seaborn-plot kunt aanpassen<\/a> U kunt de seaborn regplot- functie gebruiken om een lineair regressiemodel uit te zetten dat past bij een gegevensset. Helaas heeft Seaborn geen ingebouwde functie om de regressievergelijking uit de regel te extraheren, maar u kunt de functie scipy.stats.linregress gebruiken om snel de regressieco\u00ebffici\u00ebnten te vinden: import scipy import seaborn as sns #create regplot p […]<\/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-4237","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n import<\/span> scipy\nimport<\/span> seaborn as<\/span> sns\n\n#create regplot\n<\/span>p = sns. regplot<\/span> (data=df, x=df. x<\/span> , y=df. y<\/span> )\n\n#calculate slope and intercept of regression equation\n<\/span>slope, intercept, r, p, sterr = scipy. stats<\/span> . linregress<\/span> (x= p.get_lines<\/span> ()[0] .get_xdata<\/span> (),\n y=p. get_lines<\/span> ()[0]. get_ydata<\/span> ())\n<\/strong><\/pre>\n Voorbeeld: toon regressievergelijking in Seaborn Regplot<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],\n ' score<\/span> ': [77, 79, 84, 80, 81, 89, 95, 90, 83, 89]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n hours score\n0 1 77\n1 2 79\n2 3 84\n3 4 80\n4 5 81\n5 6 89\n6 7 95\n7 8 90\n8 9 83\n9 10 89\n<\/strong><\/pre>\n import<\/span> scipy\nimport<\/span> seaborn as<\/span> sns\n\n#create regplot\n<\/span>p = sns. regplot<\/span> (data=df, x=df. hours<\/span> , y=df. score<\/span> )\n\n#calculate slope and intercept of regression equation\n<\/span>slope, intercept, r, p, sterr = scipy. stats<\/span> . linregress<\/span> (x= p.get_lines<\/span> ()[0] .get_xdata<\/span> (),\n y=p. get_lines<\/span> ()[0]. get_ydata<\/span> ())\n\n#display slope and intercept of regression equation\n<\/span>print<\/span> (intercept, slope)\n\n77.39999999999995 1.3272727272727356\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/regplot1.jpg\")
<\/p>\n import<\/span> matplotlib. pyplot<\/span> as<\/span> plt<\/span>\nimport<\/span> scipy\nimport<\/span> seaborn as<\/span> sns\n\n#create regplot\n<\/span>p = sns. regplot<\/span> (data=df, x=df. hours<\/span> , y=df. score<\/span> )\n\n#calculate slope and intercept of regression equation\n<\/span>slope, intercept, r, p, sterr = scipy. stats<\/span> . linregress<\/span> (x= p.get_lines<\/span> ()[0] .get_xdata<\/span> (),\n y=p. get_lines<\/span> ()[0]. get_ydata<\/span> ())\n\n#add regression equation to plot\n<\/span>plt. text<\/span> (2, 95, ' y =<\/span> ' + str(round(intercept,3)) + ' +<\/span> ' + str(round(slope,3)) + ' x<\/span> ')<\/span><\/strong> <\/pre>\n![\"Seaborn-regplotvergelijking\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/regplot2.jpg\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe de positie van een legende in Seaborn te veranderen<\/a>
Hoe u aslabels op een Seaborn-plot kunt wijzigen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"