Diagramas de caixa

Parte da seção Estatística para ML do Journey de Machine Learning da Coddy. Lição 24 de 64.

Todo conjunto de dados esconde valores incomuns: um erro de digitação, uma falha, um dia recorde. Este capítulo os encontra e os controla, começando pelo gráfico que os mostra, o diagrama de caixa:

11 durações de episódios de podcast como pontos e, ao lado, seu diagrama de caixa: uma caixa de Q1, 39, a Q3, 47.5, dividida pela linha da mediana em 43, bigodes que descem até 32 e sobem até 52, e um ponto isolado em 75 marcado como valor atípico

ax.boxplot desenha isso:

episodes = np.array([41, 36, 49, 43, 32, 46, 75, 40, 52, 38, 44])
fig, ax = plt.subplots()
ax.boxplot(episodes)
plt.show()

A caixa contém a metade central dos valores, de Q1 a Q3, dividida pela mediana. Os bigodes se estendem até os últimos valores que não estão muito distantes.

Pontos além deles são valores discrepantes, valores distantes do restante: aqueles que você deve verificar antes que um modelo aprenda com eles.

Desafio

Médio

Uma família registrou duas semanas de leitura em reading.csv, com uma coluna de minutos por pessoa. O programa lê um nome, e o código inicial configura o gráfico.

Desenhe um diagrama de caixa da coluna dessa pessoa.
Imprima a mediana e as extremidades da caixa, Q1 e Q3, cada uma arredondada para 2 casas decimais, como abaixo.

Para Sam, outra pessoa que lê, o programa imprime:

Typical day: 97.5 minutes
Middle half: 90.5 to 108.75 minutes

e desenha este gráfico (o Coddy descreve o seu em seguida):

Um diagrama de caixa intitulado Reading: Sam, com Minutes na lateral: uma caixa de cerca de 90 a 109, com a linha da mediana próxima de 98, bigodes de 87 a 128 e pontos discrepantes em 61 e 205

Experimente você mesmo

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

reading = pd.read_csv("reading.csv")
name = input()
# Não altere as linhas abaixo
fig, ax = plt.subplots()
ax.set_title(f"Reading: {name}")
ax.set_ylabel("Minutes")

# Escreva seu código abaixo

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Todas as lições de Estatística para ML

2Distribuições

Histogramas de densidade Formatos dos dados A curva normal A regra 68-95-99,7 Escores Z Recapitulando: duração da bateria

5Valores atípicos

Diagramas de caixaA regra do IQR A regra do Z-score Como lidar com valores atípicos Revisão: falhas nos sensores

8Comparando grupos

Gráficos de caixa por grupo Diferença entre médias Pode ser acaso?Valores-p O teste t Revisão: teste A/B

11Explorando um conjunto de dados

Um primeiro olhar Todos os atributos de uma vez Atributos em relação ao rótulo Os dois melhores atributos Revisão: dados de diabetes

Pratique por conta própria: Compilador de Python online