مدرج تكراري لعمود

جزء من قسم البيانات والرسوم البيانية في رحلة Machine Learning على Coddy. الدرس 50 من 60.

هل فترات الانتظار في العيادة مساءً أطول منها صباحًا؟ يجيب مدرجان تكراريان على محور واحد عن ذلك بنظرة سريعة:

مدرجان تكراريان نصف شفافين لفترات الانتظار في العيادة: فترات الانتظار صباحًا من 6 إلى 16 دقيقة على اليسار، ومساءً من 13 إلى 28 دقيقة على اليمين، مع تداخل بسيط

يمرّ العمود مباشرةً إلى ax.hist. احتفِظ بصفوف كل مجموعة، ثم ارسم المجموعتين على المحاور نفسها:

# يحتوي waits على العمودين shift وminutes
morning = waits[waits["shift"] == "morning"]
evening = waits[waits["shift"] == "evening"]
fig, ax = plt.subplots()
ax.hist(morning["minutes"], bins=4, alpha=0.5, label="morning")
ax.hist(evening["minutes"], bins=4, alpha=0.5, label="evening")
ax.set_title("Clinic Waits")
ax.set_xlabel("Minutes")
ax.legend()
plt.show()

تجعل alpha=0.5 الأشرطة نصف شفافة (0 غير مرئي، و1 معتم)، بحيث تظل التداخلات مرئية. وتُسمّي label= كلًّا منها في وسيلة الإيضاح.

عندما تنتشر المجموعات على نطاقات مختلفة، يساعد هذا العمود النموذج على التمييز بينها.

التحدي

متوسط

سأل أحد المكاتب موظفيه عن المدة التي يستغرقها الذهاب إلى العمل: يحتوي commute.csv على mode (bike أو bus) وminutes. أيّ المجموعتين أوقاتها أكثر تشتتًا؟ يحتفظ الكود التمهيدي بكل مجموعة في bike وbus ويُعدّ المخطط.

ارسم مدرجًا تكراريًا لقيم minutes لكل مجموعة باستخدام bins=5 وalpha=0.5 والتسمية bike أو bus.

من المفترض أن يبدو مخططك مثل هذا، من استطلاع العام الماضي:

مدرجان تكراريان نصف شفافين بعنوان Commute Times: تتركز أوقات الدراجة بين 14 و26 دقيقة، بينما تتوزع أوقات الحافلة من 15 إلى 45 دقيقة، مع وسيلة إيضاح

المجموعة التي تغطي أعمدتها نطاقًا أكبر من الدقائق هي الأكثر تشتتًا. يصف Coddy مخططك في المخرجات.

جرّب بنفسك

import pandas as pd
import matplotlib.pyplot as plt

trips = pd.read_csv("commute.csv")
bike = trips[trips["mode"] == "bike"]
bus = trips[trips["mode"] == "bus"]

fig, ax = plt.subplots()
ax.set_title("Commute Times")
ax.set_xlabel("Minutes")

# اكتب الكود الخاص بك أدناه

# لا تغيّر الأسطر أدناه
ax.legend()
plt.show()