A maneira mais f\u00e1cil de realizar o escalonamento multidimensional em Python \u00e9 usar a fun\u00e7\u00e3o MDS()<\/strong> do subm\u00f3dulo sklearn.manifold<\/strong> .<\/span><\/p>\n O exemplo a seguir mostra como usar esta fun\u00e7\u00e3o na pr\u00e1tica.<\/span><\/p>\n Suponha que temos o seguinte DataFrame do pandas que cont\u00e9m informa\u00e7\u00f5es sobre v\u00e1rios jogadores de basquete:<\/span><\/p>\n Podemos usar o c\u00f3digo a seguir para realizar o escalonamento multidimensional com a fun\u00e7\u00e3o MDS()<\/strong> do m\u00f3dulo sklearn.manifold<\/strong> :<\/span><\/p>\n Cada linha do DataFrame original foi reduzida a uma coordenada (x, y).<\/span><\/p>\n Podemos usar o seguinte c\u00f3digo para visualizar essas coordenadas no espa\u00e7o 2D:<\/span> <\/p>\n Os jogadores no DataFrame original que possuem valores semelhantes nas quatro colunas originais (pontos, assist\u00eancias, bloqueios e rebotes) est\u00e3o pr\u00f3ximos uns dos outros no gr\u00e1fico.<\/span><\/p>\n Por exemplo, os jogadores F<\/strong> e G<\/strong> est\u00e3o fechados entre si. Aqui est\u00e3o os valores do DataFrame original:<\/span><\/p>\n Seus valores de pontos, assist\u00eancias, bloqueios e rebotes s\u00e3o todos bastante semelhantes, o que explica por que est\u00e3o t\u00e3o pr\u00f3ximos uns dos outros no gr\u00e1fico 2D.<\/span><\/p>\n Em contraste, considere os jogadores B<\/strong> e K<\/strong> que est\u00e3o distantes um do outro na trama.<\/span><\/p>\n Se nos referirmos aos seus valores no DataFrame original, podemos ver que eles s\u00e3o bem diferentes:<\/span><\/p>\n Portanto, o gr\u00e1fico 2D \u00e9 uma boa maneira de visualizar o qu\u00e3o semelhante cada jogador \u00e9 em todas as vari\u00e1veis do DataFframe.<\/span><\/p>\n Jogadores com estat\u00edsticas semelhantes s\u00e3o agrupados pr\u00f3ximos, enquanto jogadores com estat\u00edsticas muito diferentes est\u00e3o mais distantes uns dos outros na trama.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em Python:<\/span><\/p>\n Como normalizar dados em Python<\/a> Em estat\u00edstica, o escalonamento multidimensional \u00e9 uma forma de visualizar a similaridade de observa\u00e7\u00f5es em um conjunto de dados em um espa\u00e7o cartesiano abstrato (geralmente espa\u00e7o 2D). A maneira mais f\u00e1cil de realizar o escalonamento multidimensional em Python \u00e9 usar a fun\u00e7\u00e3o MDS() do subm\u00f3dulo sklearn.manifold . O exemplo a seguir mostra como usar esta […]<\/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-3606","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: escalonamento multidimensional em 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![\"escalonamento](\"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 Recursos adicionais<\/strong><\/span><\/h2>\n
Como remover valores discrepantes em Python<\/a>
Como testar a normalidade em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"