در این مطلب، ویدئو آموزش تجسم داده Python Seaborn برای مبتدیان | طرح پراکنده یا Swarm Plot 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: 00:06:19
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,040
سلام به ویدیوی جدید خوش آمدید
2
00:00:02,040 –> 00:00:05,130
و در این ویدیو نمودار پراکندگی را به شما نشان خواهم داد
3
00:00:05,130 –> 00:00:07,980
اما برای داده های طبقه بندی شده
4
00:00:07,980 –> 00:00:10,380
در ویدیوهای قبلی حتماً
5
00:00:10,380 –> 00:00:13,590
دیده اید که ما از هر دو متغیر عددی
6
00:00:13,590 –> 00:00:16,340
در محور x و محور y استفاده کرده ایم و
7
00:00:16,340 –> 00:00:19,289
نشان داده ایم نمودار پراکندگی و
8
00:00:19,289 –> 00:00:22,410
معمولاً نمودار پراکندگی به این ترتیب ایجاد میشود،
9
00:00:22,410 –> 00:00:26,310
اما اگر دادههای پراکنده یا طبقهبندی
10
00:00:26,310 –> 00:00:27,840
داشته باشید و باید نمودار پراکندگی خوبی ایجاد کنید،
11
00:00:27,840 –> 00:00:28,410
12
00:00:28,410 –> 00:00:31,230
Seabourn در اینجا مزیتی
13
00:00:31,230 –> 00:00:34,980
دارد که اجازه میدهد دادههای طبقهبندی را انتخاب کنید
14
00:00:34,980 –> 00:00:37,170
و به شما کمک میکند نمودار پراکندگی ایجاد کنید.
15
00:00:37,170 –> 00:00:39,920
بیایید ببینیم چگونه میتوانیم آن را ایجاد کنیم، بنابراین
16
00:00:39,920 –> 00:00:43,020
مجموعه دادهای که استفاده کردهایم یکسان است
17
00:00:43,020 –> 00:00:48,510
اگر من فقط اینجا را به شما نشان دهم و برای
18
00:00:48,510 –> 00:00:51,110
ایجاد نمودار میگوییم SNs dot
19
00:00:51,110 –> 00:00:55,770
cat نمودار که نمودار دسته است و در
20
00:00:55,770 –> 00:00:59,489
اینجا میخواهیم x بگیریم. محوری که
21
00:00:59,489 –> 00:01:04,500
میخواهیم بگیریم، مثلاً حالت کشتی ممکن است یا
22
00:01:04,500 –> 00:01:07,320
هر چیزی که علاقه شماست مانند
23
00:01:07,320 –> 00:01:10,619
اولویت سفارش یا استان یا منطقه هر
24
00:01:10,619 –> 00:01:14,180
چیزی که میخواهید انتخاب کنید و محور y به عنوان فروش و
25
00:01:14,180 –> 00:01:17,369
تتا شیء فروش است
26
00:01:17,369 –> 00:01:20,189
که پانداها در اینجا شی میکنند و اگر
27
00:01:20,189 –> 00:01:23,220
این را ببینید من دادههای طبقهبندی
28
00:01:23,220 –> 00:01:26,580
کامیون تحویل معمولی و اکسپرس اینجا است
29
00:01:26,580 –> 00:01:28,860
و این یک نمودار پراکنده است که اساساً به
30
00:01:28,860 –> 00:01:31,650
شما نشان میدهد تا اینکه در اینجا
31
00:01:31,650 –> 00:01:33,840
دادهها واقعاً متراکم هستند، اما پس از
32
00:01:33,840 –> 00:01:37,799
آن کاملاً واضح میشوید
33
00:01:37,799 –> 00:01:40,979
که جابهجایی یا
34
00:01:40,979 –> 00:01:44,189
فضایی در دادهها وجود دارد. این بدان معناست
35
00:01:44,189 –> 00:01:46,320
که در مقایسه با قطعه متراکم، فضای کمی باز است،
36
00:01:46,320 –> 00:01:48,240
بنابراین پایه متراکم نشان میدهد
37
00:01:48,240 –> 00:01:50,399
که بیشتر و بیشتر یا بیشتر
38
00:01:50,399 –> 00:01:53,460
کسبوکارها در آنجا اتفاق میافتند، بنابراین
39
00:01:53,460 –> 00:01:55,890
این یک راه بسیار سریع است که چگونه
40
00:01:55,890 –> 00:01:58,770
میتوانید یک نمودار پراکنده همراه با
41
00:01:58,770 –> 00:02:01,229
طبقهبندی ایجاد کنید. ویژگیهایی مانند حالت حمل و نقل
42
00:02:01,229 –> 00:02:04,890
در اینجا یکی دیگر از ویژگیهای مهم یا یک
43
00:02:04,890 –> 00:02:07,229
ویژگی مفید این است که فرض کنید
44
00:02:07,229 –> 00:02:09,568
نمیخواهید این تناسب را نشان دهید یا
45
00:02:09,568 –> 00:02:11,310
نمیخواهید علاقهای به عرض
46
00:02:11,310 –> 00:02:12,760
ندارید، شاید برای مورد خاص خود،
47
00:02:12,760 –> 00:02:16,209
بنابراین میتوانید از پارامتری استفاده کنید
48
00:02:16,209 –> 00:02:22,720
که جیتر است و به این ترتیب
49
00:02:22,720 –> 00:02:23,739
اساساً جیترینگ
50
00:02:23,739 –> 00:02:26,560
نامیده میشود که بزرگی را در دادهها نشان میدهد،
51
00:02:26,560 –> 00:02:28,239
اما اگر نمیخواهید بزرگی را ببینید،
52
00:02:28,239 –> 00:02:31,239
فقط میتوانید خطی مانند
53
00:02:31,239 –> 00:02:35,230
این دریافت کنید که گاهی اوقات مقدار را نشان میدهد.
54
00:02:35,230 –> 00:02:38,280
الگوهای دادهها در مقایسه با بزرگی واضحتر هستند،
55
00:02:38,280 –> 00:02:40,900
اما گاهی اوقات بزرگی
56
00:02:40,900 –> 00:02:42,700
مهم است، بنابراین ما هر دو ویژگی را
57
00:02:42,700 –> 00:02:44,920
در دست داریم که ممکن است
58
00:02:44,920 –> 00:02:48,430
بخواهیم بر اساس سناریویی که
59
00:02:48,430 –> 00:02:51,220
میخواهیم با آن مقابله کنیم، جدا از این چیزی که
60
00:02:51,220 –> 00:02:54,970
اساساً میتوانیم انجام دهیم، یا کاری که ما اساساً می توانیم
61
00:02:54,970 –> 00:02:56,590
انجام دهیم این است که داده ها را
62
00:02:56,590 –> 00:03:01,239
مستقیماً در بلوک CAD یا در هر SNS
63
00:03:01,239 –> 00:03:03,310
یا نمودار پیوند C جستجو کنیم، بنابراین من فقط
64
00:03:03,310 –>