열을 사용한 산점도

Coddy Machine Learning 여정의 데이터와 시각화 섹션에 포함된 레슨. 60개 중 48번째.

배터리가 클수록 주행 거리가 더 길까요? 두 열을 산점도로 나타내면 한눈에 알 수 있습니다. 행마다 점 하나씩 표시됩니다.

전기 자전거 주행 거리라는 제목의 산점도: 점으로 표시된 전기 자전거 7대, 가로축은 배터리 용량(Wh), 세로축은 주행 거리(km)이며, 250 Wh와 35 km에서 750 Wh와 110 km까지 함께 증가합니다.

목록이 있던 자리에는 열이 들어가므로 ax.scatter에는 두 개의 열이 필요합니다.

bikes = pd.DataFrame({
    "battery_wh": [250, 300, 400, 500, 500, 625, 750],
    "range_km": [35, 45, 60, 65, 75, 95, 110],
})
fig, ax = plt.subplots()
ax.scatter(bikes["battery_wh"], bikes["range_km"])
ax.set_title("E-bike Range")
ax.set_xlabel("Battery (Wh)")
ax.set_ylabel("Range (km)")
plt.show()

점들이 오른쪽 위로 올라가는 것은 열들이 함께 증가한다는 뜻입니다. 이는 모델이 학습할 수 있는 관계입니다. 모양이 없는 구름은 관계가 없다는 뜻입니다.

ax.scatter는 열 이름을 인식하지 않으므로 축 레이블은 직접 설정해야 합니다.

챌린지

중급

공원 관리인이 trees.csv에서 나무 12그루의 age_years, trunk_cm, height_m를 측정했습니다. 높이와 관련 있는 것은 나이일까요, 줄기 너비일까요? 시작 코드에서는 두 이름 중 하나를 column에 읽어 들이고 차트를 설정합니다.

나무 한 그루당 점 하나를 그리세요. 해당 열을 가로축에, height_m를 세로축에 표시하세요.
x축에 열 이름을 표시하세요.

다른 공원의 crown_m을 표시한 아래 차트처럼 만들어 보세요.

Tree Size라는 제목의 산점도. 가로축은 crown_m, 세로축은 Height (m)입니다. 점 10개가 대체로 위쪽으로 퍼져 있으며, 수관이 작은 키 약 6 m의 나무부터 수관이 7.5 m인 키 14 m의 나무까지 나타냅니다.

Coddy는 두 열에 대해 코드를 실행하고 각 차트를 설명합니다. 두 차트를 비교해 보세요. 더 촘촘하게 위로 뻗는 띠가 질문의 답을 보여 줍니다.

직접 해보기

import pandas as pd
import matplotlib.pyplot as plt

trees = pd.read_csv("trees.csv")
column = input()

fig, ax = plt.subplots()
ax.set_title("Tree Size")
ax.set_ylabel("Height (m)")

# 아래에 코드를 작성하세요

# 아래 줄을 변경하지 마세요
plt.show()