در این مطلب، ویدئو طرح پراکندگی | طرح پراکندگی Matplotlib | طرح پراکندگی در پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:14:11
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,410 –> 00:00:02,760
سلام دوستان به جلسه matplotlib خوش آمدید
2
00:00:02,760 –> 00:00:05,250
امروز در
3
00:00:05,250 –> 00:00:08,940
مورد نمودارهای پراکندگی صحبت خواهیم کرد پس بیایید
4
00:00:08,940 –> 00:00:11,099
با یک آموزش شروع کنیم همانطور که می بینید من
5
00:00:11,099 –> 00:00:12,900
قبلاً بسته
6
00:00:12,900 –> 00:00:15,990
matplotlib خود را به عنوان PLT و یک تابع
7
00:00:15,990 –> 00:00:19,680
جادویی در خط وارد کرده ام و این دو مورد ما هستند.
8
00:00:19,680 –> 00:00:21,750
متغیرهای x و y که
9
00:00:21,750 –> 00:00:26,699
به عنوان مثال ترسیم میکنیم، نمودارهای پراکنده
10
00:00:26,699 –> 00:00:28,859
عمدتاً برای مطالعه
11
00:00:28,859 –> 00:00:31,260
رابطه بین هر دو متغیر داده شده
12
00:00:31,260 –> 00:00:33,660
استفاده میشوند، در این مورد
13
00:00:33,660 –> 00:00:36,510
متغیر دادهشده برای x و y ما استفاده میشود، بنابراین
14
00:00:36,510 –> 00:00:39,660
دستور نمودار پراکندگی بسیار ساده است،
15
00:00:39,660 –> 00:00:44,489
فرض کنید PLT. نقطه پراکنده می شود و ابتدا
16
00:00:44,489 –> 00:00:48,239
متغیر محور x را در این حالت
17
00:00:48,239 –> 00:00:50,760
که x است و سپس محور y را
18
00:00:50,760 –> 00:00:56,129
در این حالت که y است عبور می دهید و می گویید بنابراین
19
00:00:56,129 –> 00:00:59,760
می بینید که ما یک نمودار از این
20
00:00:59,760 –> 00:01:01,890
دو متغیر و این دو متغیر داریم.
21
00:01:01,890 –> 00:01:05,220
به نظر می رسد که به صورت خطی به یکدیگر وابسته
22
00:01:05,220 –> 00:01:08,939
هستند زیرا مقادیر در حال افزایش هستند زیرا
23
00:01:08,939 –> 00:01:12,049
شما تمایل دارید در محور x حرکت
24
00:01:12,049 –> 00:01:17,790
کنید بسیار خوب، بنابراین اگر می خواهید می توانید
25
00:01:17,790 –> 00:01:22,380
رنگ این نمودار را تغییر دهید می توانید بگویید که سبز می خواهید
26
00:01:22,380 –> 00:01:27,380
تا بتوانید آن را به رنگ سبز دریافت کنید ok
27
00:01:27,380 –> 00:01:31,259
اگر میخواهید اندازه نقطه را افزایش دهید
28
00:01:31,259 –> 00:01:41,100
برابر است با، بنابراین نمودار را به شما نشان میدهد
29
00:01:41,100 –> 00:01:44,880
و اگر میخواهید کمی
30
00:01:44,880 –> 00:01:47,100
واضحتر مطالعه کنید، همیشه میتوانید روش نخ را با
31
00:01:47,100 –> 00:01:47,790
32
00:01:47,790 –> 00:01:51,509
نخ توپ PLT فراخوانی کنید که
33
00:01:51,509 –> 00:01:53,460
خطوط شبکهای را به شما میدهد تا بتوانید رسم کنید.
34
00:01:53,460 –> 00:01:57,380
مقادیر شما تقریباً یا دقیقاً خوب است
35
00:01:57,380 –> 00:02:02,130
اکنون اگر بخواهید چندین متغیر را رسم کنید ممکن است مورد دیگری بیاید،
36
00:02:02,130 –> 00:02:05,909
خوب مانند
37
00:02:05,909 –> 00:02:09,479
این مورد ما یک مجموعه از مقادیر را به صورت
38
00:02:09,479 –> 00:02:13,170
x1 و y1 و دیگری را به عنوان x2 و y2
39
00:02:13,170 –> 00:02:16,130
داریم که می خواهیم اینها را در یک نمودار واحد رسم کنیم.
40
00:02:16,130 –> 00:02:19,860
چگونه میتوانیم این کار را انجام دهیم،
41
00:02:19,860 –> 00:02:25,140
ببینیم باید بگوییم پراکندگی نقطهای PLT
42
00:02:25,140 –> 00:02:31,310
و ابتدا میخواهیم x1 و y1 را ترسیم
43
00:02:31,310 –> 00:02:41,510
کنیم و میخواهیم رنگ آنها سبز باشد، به
44
00:02:41,510 –> 00:02:50,250
طور مشابه، میخواهیم x2 و y2 و
45
00:02:50,250 –> 00:02:58,920
رنگ آنها را من میخواهم ترسیم کنیم. نیمه آبی بسیار خوب، حالا بیایید به
46
00:02:58,920 –> 00:03:04,260
یک نمودار نگاه کنیم، اگر می توانید ببینید که
47
00:03:04,260 –> 00:03:07,100
ما این نمودار را داریم، این دو متغیر به
48
00:03:07,100 –> 00:03:10,080
صورت خطی به یکدیگر وابسته هستند،
49
00:03:10,080 –> 00:03:12,650
زیرا یک رابطه خطی دارند، اکنون می توانید ببینید
50
00:03:12,650 –> 00:03:15,780
برای جداسازی این مقادیر برای مطالعه
51
00:03:15,780 –> 00:03:19,290
آنها، همچنین می توانیم از پارامتری استفاده کنیم که
52
00:03:19,290 –> 00:03:23,489
اگر y اکنون به عنوان نشانگر می آید
53
00:03:23,489 –> 00:03:26,040
اگر می خواهید دایره را به چیز دیگری
54
00:03:26,040 –> 00:03:28,590
تغییر دهید، بیایید آنها را به این
55
00:03:28,590 –> 00:03:32,970
علامت astrick تغییر دهیم okay و برای این می توانید
56
00:03:32,970 –> 00:03:40,170
بگویید نشانگر برابر با x okay حالا بیایید
57
00:03:40,170 –> 00:03:44,609
آنها را ببینیم حالا می توانید ببینید که این مقادیر
58
00:03:44,609 –> 00:03:47,100
در قالب تصویری کاملاً متفاوت هستند.
59
00:03:47,100 –> 00:03:53,180
در حال حاضر یک
60
00:03:53,180 –> 00:03:57,299
چیز دیگر یک گزینه از پارامتر آلفا وجود دارد
61
00:03:57,299 –> 00:04:00,810
خوب بدانید که این پارامتر آلفا چه کاری انجام می دهد این
62
00:04:00,810 –> 00:04:06,750
است که می گوید نقطه صفر است شش خوب است بنابراین
63
00:04:06,750 –> 00:04:09,569
این یکی سبز است حالا چه
64
00:04:09,569 –> 00:04:15,600
می کند سایه نمودارهای شما را کنترل می کند خوب است
65
00:04:15,600 –> 00:04:21,659
و شما می گویید آلفا اینجا
66
00:04:21,659 –> 00:04:27,460
برای آبی تیره تر است، خوب می
67
00:04:27,460 –> 00:04:29,919
توانید این را ببینید و اگر فی را برابر با
68
00:04:29,919 –> 00:04:33,909
صفر بفروشید، رنگ آبی ناپدید می شود، همانطور که
69
00:04:33,909 –> 00:04:35,080
می توانید این را ببینید خوب است،
70
00:04:35,080 –> 00:04:38,650
بنابراین آنچه که من این ویدیو 0.6 را پیدا می کنم
71
00:04:38,650 –> 00:04:41,620
مناسب است، خوب است
72
00:04:41,620 –> 00:04:44,949
و وقتی منتشر شد اندازه آن بیشتر شد. بدیهی است که
73
00:04:44,949 –> 00:04:47,620
شما می توانید اندازه را به عنوان صد
74
00:04:47,620 –> 00:04:59,560
یا هر چیزی که می خواهید تغییر دهید، بنابراین می توانید این کار را
75
00:04:59,560 –> 00:05:05,169
انجام دهید، بیایید برچسب ها را در نمودار خود قرار دهیم، خوب
76
00:05:05,169 –> 00:05:12,039
حالا بگوییم TLT برچسب X را آموزش داد، خوب،
77
00:05:12,039 –> 00:05:15,490
ما می دانیم که X label متغیر
78
00:05:15,490 –> 00:05:22,840
X okay است و برای دختر PLT Y است. یک
79
00:05:22,840 –> 00:05:29,379
متغیر از Y خوب است بنابراین می توانید این
80
00:05:29,379 –> 00:05:34,150
برچسب و یک چیز دیگر را مشاهده کنید تا از
81
00:05:34,150 –> 00:05:37,089
سردرگمی در مورد اینکه این سبز رنگ
82
00:05:37,089 –> 00:05:39,190
متعلق به چه نموداری است و این یک ضربدر آبی به چه نموداری
83
00:05:39,190 –> 00:05:42,930
تعلق دارد،
84
00:05:42,930 –> 00:05:47,440
می توانید پارامتر برچسب را در اینجا
85
00:05:47,440 –> 00:05:51,250
اعمال کنید. برای
86
00:05:51,250 –> 00:05:53,319
x1 و y1 بنابراین می توانید بگویید که یک نمودار
87
00:05:53,319 –> 00:06:02,050
بین X 1 در مقابل y1 است، به طور مشابه برای
88
00:06:02,050 –> 00:06:07,650
دومی شما یک نمودار بین x2
89
00:06:07,650 –> 00:06:16,029
در مقابل y2 است و برای قرار دادن دستور برچسب
90
00:06:16,029 –> 00:06:19,020
خود به
91
00:06:19,650 –> 00:06:23,919
تابع افسانه خود برای اجرای آن نیاز
92
00:06:23,919 –> 00:06:28,000
دارید و می توانید ببینید که در این تصویر واضح است
93
00:06:28,000 –> 00:06:33,130
خوب است و به طور مشابه
94
00:06:33,130 –> 00:06:34,960
مانند مثال بالا که به شما نشان دادم می توانید
95
00:06:34,960 –> 00:06:37,509
پارامتر شبکه خود را اعمال کنید تا همیشه بتوانید
96
00:06:37,509 –> 00:06:41,229
شبکه را بگویید تا مطالعه نمودارهای شما
97
00:06:41,229 –> 00:06:46,710
بسیار ساده تر شود،
98
00:06:46,710 –> 00:06:50,560
بنابراین این روشی است که
99
00:06:50,560 –> 00:06:53,410
پارامترهایی که می توانید در نمودارهای پراکندگی خود استفاده کنید
100
00:06:53,410 –> 00:06:55