Naj\u0142atwiejszym sposobem wykonania skalowania wielowymiarowego w Pythonie jest u\u017cycie funkcji MDS()<\/strong> podmodu\u0142u sklearn.manifold<\/strong> .<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych pand, kt\u00f3ra zawiera informacje o r\u00f3\u017cnych koszykarzach:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 poni\u017cszego kodu, aby wykona\u0107 skalowanie wielowymiarowe za pomoc\u0105 funkcji MDS()<\/strong> modu\u0142u sklearn.manifold<\/strong> :<\/span><\/p>\n Ka\u017cdy wiersz oryginalnej ramki DataFrame zosta\u0142 zredukowany do wsp\u00f3\u0142rz\u0119dnej (x, y).<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 poni\u017cszego kodu do wizualizacji tych wsp\u00f3\u0142rz\u0119dnych w przestrzeni 2D:<\/span> <\/p>\n Gracze w oryginalnej DataFrame, kt\u00f3rzy maj\u0105 podobne warto\u015bci w oryginalnych czterech kolumnach (punkty, asysty, bloki i zbi\u00f3rki), s\u0105 blisko siebie w fabule.<\/span><\/p>\n Na przyk\u0142ad gracze F<\/strong> i G<\/strong> s\u0105 ze sob\u0105 zamkni\u0119ci. Oto ich warto\u015bci z oryginalnej DataFrame:<\/span><\/p>\n Ich warto\u015bci punkt\u00f3w, asyst, blok\u00f3w i zbi\u00f3rek s\u0105 do\u015b\u0107 podobne, co wyja\u015bnia, dlaczego s\u0105 tak blisko siebie na wykresie 2D.<\/span><\/p>\n Dla kontrastu, rozwa\u017c graczy B<\/strong> i K<\/strong> , kt\u00f3rzy s\u0105 daleko od siebie w fabule.<\/span><\/p>\n Je\u015bli odniesiemy si\u0119 do ich warto\u015bci w oryginalnej DataFrame, zobaczymy, \u017ce s\u0105 one zupe\u0142nie inne:<\/span><\/p>\n Zatem wykres 2D to dobry spos\u00f3b na wizualizacj\u0119 podobie\u0144stwa ka\u017cdego gracza we wszystkich zmiennych w DataFframe.<\/span><\/p>\n Gracze o podobnych statystykach s\u0105 zgrupowani blisko siebie, podczas gdy gracze o bardzo r\u00f3\u017cnych statystykach s\u0105 dalej od siebie w fabule.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w Pythonie:<\/span><\/p>\n Jak normalizowa\u0107 dane w Pythonie<\/a> W statystyce skalowanie wielowymiarowe jest sposobem na wizualizacj\u0119 podobie\u0144stwa obserwacji w zbiorze danych w abstrakcyjnej przestrzeni kartezja\u0144skiej (zwykle przestrzeni 2D). Naj\u0142atwiejszym sposobem wykonania skalowania wielowymiarowego w Pythonie jest u\u017cycie funkcji MDS() podmodu\u0142u sklearn.manifold . Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119. Przyk\u0142ad: Skalowanie wielowymiarowe w Pythonie Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych pand, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3605","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Skalowanie wielowymiarowe w Pythonie<\/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![\"skalowanie](\"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 Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak usun\u0105\u0107 warto\u015bci odstaj\u0105ce w Pythonie<\/a>
Jak przetestowa\u0107 normalno\u015b\u0107 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"