Korrelations-Heatmaps
Teil des Abschnitts Statistik für ML der Machine Learning-Journey von Coddy. Lektion 32 von 64.
Eine Matrix mit zwanzig Merkmalen ist eine Zahlenwand. Eine Heatmap färbt jede Zelle ein, sodass die starken Paare sofort auffallen. Die acht Tage eines Kinos:
Dieser Code zeichnet es:
cinema = pd.DataFrame({
"tickets": [120, 340, 210, 410, 180, 290, 380, 150],
"popcorn": [70, 150, 100, 200, 95, 120, 170, 60],
"temp_c": [24, 12, 15, 9, 20, 19, 11, 22],
"staff": [6, 5, 8, 7, 5, 6, 6, 8],
})
corr = cinema.corr()
fig, ax = plt.subplots()
im = ax.imshow(corr, cmap="coolwarm", vmin=-1, vmax=1)
fig.colorbar(im)
ax.set_xticks(range(4), corr.columns)
ax.set_yticks(range(4), corr.columns)
ax.set_title("Cinema Correlations")
plt.show()vmin=-1, vmax=1 legt die Farben fest: Rot ist 1, Weiß 0, Blau -1. fig.colorbar(im) fügt die Legende hinzu, und set_xticks(positions, labels) benennt die Zellen.
Tickets und Popcorn leuchten gemeinsam rot; warme Tage sind im Vergleich zu beiden blau. Die Personalbesetzung spielt kaum eine Rolle.
Aufgabe
MittelEine Smartwatch hat 30 Tage lang Daten in watch.csv aufgezeichnet: eine Textspalte weekday und fünf Zahlenspalten.
- Berechne die Korrelationsmatrix der Zahlenspalten.
- Stelle sie als
coolwarm-Heatmap von -1 bis 1 mit einer Farbleiste dar. - Beschrifte die Teilstriche horizontal und vertikal mit den Spaltennamen, gib ihr den Titel
Watch Dataund zeige sie an.
Dein Programm gibt nichts aus. Für die drei Spalten eines anderen Besitzers sieht das Diagramm so aus:
Probier es selbst
import pandas as pd
import matplotlib.pyplot as plt
watch = pd.read_csv("watch.csv")
# Schreibe deinen Code unten
Diese Lektion enthält ein kurzes Quiz. Starte die Lektion, um es zu beantworten und deinen Fortschritt zu speichern.
Alle Lektionen in Statistik für ML
1Lage und Streuung
Mittelwert und MedianPerzentile und QuartileVarianz und StandardabweichungStichprobe oder Grundgesamtheit?Der häufigste WertRückblick: Lieferzeiten4Stichproben und Grundgesamtheiten
Grundgesamtheit und StichprobeStichprobenmittelwerte variierenDie StichprobenverteilungGrößere Stichproben, weniger ZufallRückblick: Eine Stadt befragen2Verteilungen
DichtehistogrammeDatenverteilungenDie NormalverteilungskurveDie 68-95-99,7-RegelZ-WerteRückblick: Akkulaufzeit3Wahrscheinlichkeit durch Simulation
Wahrscheinlichkeit als HäufigkeitDas Gesetz der großen ZahlenAugensummen beim WürfelnErwartungswertBedingte WahrscheinlichkeitRückblick: Gewinnchancen am Würfelstand6Zusammenhänge
Streudiagramme lesenKorrelationKorrelationsmatrixKorrelations-HeatmapsKorrelation ist keine KausalitätRückblick: Eiscreme und SonneÜbe selbstständig: Online-Python-Compiler