در این مطلب، ویدئو آموزش Matplotlib (قسمت هفتم): Scatter Plots 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: 00:21:24
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,060 –> 00:00:01,350
سلام، همه چیز در این ویدیو چگونه پیش می رود،
2
00:00:01,350 –> 00:00:02,850
ما به
3
00:00:02,850 –> 00:00:05,250
طرح های پراکنده می پردازیم، بنابراین
4
00:00:05,250 –> 00:00:06,839
وقتی می خواهید رابطه
5
00:00:06,839 –> 00:00:09,179
بین دو مجموعه از مقادیر را نشان دهید و ببینید آیا
6
00:00:09,179 –> 00:00:11,580
آنها با هم مرتبط هستند یا خیر، نمودارهای پراکنده عالی
7
00:00:11,580 –> 00:00:13,860
هستند. در یک مثال اساسی از
8
00:00:13,860 –> 00:00:16,079
نمودار پراکندگی با استفاده از برخی دادهها در اسکریپت پایتون ما
9
00:00:16,079 –> 00:00:17,940
در اینجا و سپس به برخی از
10
00:00:17,940 –> 00:00:20,430
دادههای دنیای واقعی که در یک
11
00:00:20,430 –> 00:00:22,740
فایل CSV دارم نگاه میکنیم و دادههای داخل فایل CSV
12
00:00:22,740 –> 00:00:25,019
بازدیدها و پسندیدن
13
00:00:25,019 –> 00:00:27,750
ویدیوهای YouTube در صفحه پرطرفدار روزی که
14
00:00:27,750 –> 00:00:29,760
من این ویدیو را ساختم، بنابراین
15
00:00:29,760 –> 00:00:31,679
میخواهم
16
00:00:31,679 –> 00:00:33,059
به این نکته اشاره کنم که ما یک حامی برای
17
00:00:33,059 –> 00:00:34,680
این سری از ویدیوها داریم و این یک
18
00:00:34,680 –> 00:00:36,840
سازمان عالی است، بنابراین من واقعاً میخواهم از
19
00:00:36,840 –> 00:00:38,670
برلیانت برای حمایت مالی از این مجموعه تشکر کنم.
20
00:00:38,670 –> 00:00:39,930
و اگر همه شما بتوانید
21
00:00:39,930 –> 00:00:41,399
با استفاده از پیوند موجود در
22
00:00:41,399 –> 00:00:43,050
بخش توضیحات زیر، آنها را بررسی کنید تا از
23
00:00:43,050 –> 00:00:44,879
حامیان مالی حمایت کنید، عالی خواهد بود و من در مدت کوتاهی در مورد خدمات آنها بیشتر صحبت خواهم کرد،
24
00:00:44,879 –> 00:00:46,920
بنابراین با این گفته
25
00:00:46,920 –> 00:00:48,600
بیایید ادامه دهیم و شروع کنیم.
26
00:00:48,600 –> 00:00:50,309
من چند کد نمونه
27
00:00:50,309 –> 00:00:51,059
در اینجا در اسکریپت خود آوردهام،
28
00:00:51,059 –> 00:00:53,699
اکنون ابتدا نحوه استفاده از این
29
00:00:53,699 –> 00:00:55,770
نمودارهای پراکندگی را با استفاده از این فهرست دادهها
30
00:00:55,770 –> 00:00:58,199
مستقیماً در اسکریپت خود میبینیم و سپس به
31
00:00:58,199 –> 00:00:59,940
یک مثال در دنیای واقعی با دادههایی
32
00:00:59,940 –> 00:01:02,489
که میخواهم نگاه کنیم. اکنون از یک فایل CSV بارگیری کنید، اگر
33
00:01:02,489 –> 00:01:03,600
این
34
00:01:03,600 –> 00:01:05,549
مجموعه را دنبال کرده اید، احتمالاً
35
00:01:05,549 –> 00:01:07,979
کد matplotlib دیگری را که
36
00:01:07,979 –> 00:01:10,380
در حال حاضر اینجا دریافت کرده ام، تشخیص خواهید داد، اما اگر نه، اجازه دهید ادامه دهم
37
00:01:10,380 –> 00:01:12,780
و این واقعی را بررسی کنم. سریع، بنابراین
38
00:01:12,780 –> 00:01:13,920
اینجا در بالای فایل،
39
00:01:13,920 –> 00:01:16,619
من پانداها را وارد میکنم، من نمودار PI را
40
00:01:16,619 –> 00:01:19,290
از کتابخانه matplotlib وارد
41
00:01:19,290 –> 00:01:23,520
42
00:01:23,520 –> 00:01:25,560
43
00:01:25,560 –> 00:01:27,150
میکنم. اکنون برخی
44
00:01:27,150 –> 00:01:29,490
از این سبکهای مختلف چگونه به نظر میرسند،
45
00:01:29,490 –> 00:01:32,310
ما فقط برخی از دادههای x و y در اینجا از
46
00:01:32,310 –> 00:01:35,610
چند نقطه تصادفی بین 1 تا 10
47
00:01:35,610 –> 00:01:38,310
48
00:01:38,310 –> 00:01:40,350
داریم.
49
00:01:40,350 –> 00:01:42,509
که وقتی به آن
50
00:01:42,509 –> 00:01:46,320
رسیدیم، در اینجا عنوانی نیز برای برچسب نمودار x
51
00:01:46,320 –> 00:01:49,530
و y خود داریم، اینها commo هستند n و out
52
00:01:49,530 –> 00:01:51,810
در حال حاضر ما همچنین یک طرح بندی فشرده
53
00:01:51,810 –> 00:01:53,729
در اینجا داریم که فقط مقداری
54
00:01:53,729 –> 00:01:55,950
بالشتک خودکار به نمودارهای خود اضافه می کند و
55
00:01:55,950 –> 00:01:56,310
همچنین در حال انجام
56
00:01:56,310 –> 00:01:59,009
نمایش PLT هستیم که در واقع طرح ما را خوب نشان می دهد،
57
00:01:59,009 –> 00:02:01,680
بنابراین اکنون بیایید نحوه
58
00:02:01,680 –> 00:02:04,829
ایجاد یک پراکندگی اولیه را بررسی کنیم. رسم خوب است، بنابراین
59
00:02:04,829 –> 00:02:06,899
من یک لیست تصادفی از مقادیر در اینجا برای یک
60
00:02:06,899 –> 00:02:08,970
محور x و یک لیست تصادفی از مقادیر در اینجا
61
00:02:08,970 –> 00:02:11,760
برای یک محور چرا و برخی از این مقادیر
62
00:02:11,760 –> 00:02:13,470
تکرار شدهاند، بنابراین
63
00:02:13,470 –> 00:02:15,540
برای ایجاد یک نمودار پراکنده از این
64
00:02:15,540 –> 00:02:18,810
مقادیر، به سادگی گفتن است.
65
00:02:18,810 –> 00:02:23,310
پراکندگی نقطه PLT و ما میخواهیم
66
00:02:23,310 –> 00:02:27,060
مقادیر X و Y خود را انجام دهیم، بنابراین اگر من این را اجرا کنم و
67
00:02:27,060 –> 00:02:30,210
اجازه بدهم آن را کمی بزرگتر کنم،
68
00:02:30,210 –> 00:02:31,950
میتوانیم ببینیم که ما یک
69
00:02:31,950 –> 00:02:34,560
نمودار پراکنده از این مقادیر تصادفی داریم، اکنون
70
00:02:34,560 –> 00:02:35,970
نمودارهای پراکنده واقعاً برای دیدن خوب هستند.
71
00:02:35,970 –> 00:02:38,100
روندهای مختلف یا نقاط دورافتاده یا چیزهایی
72
00:02:38,100 –> 00:02:40,140
مانند آن اکنون از آنجایی که اینها تصادفی هستند
73
00:02:40,140 –> 00:02:42,120
پس ما واقعاً هیچ روندی
74
00:02:42,120 –> 00:02:44,520
در اینجا نداریم، اما گاهی اوقات مهم است
75
00:02:44,520 –> 00:02:46,530
که بدانیم روندی وجود ندارد
76
00:02:46,530 –> 00:02:48,600
بنابراین نمودار پراکندگی ما از آنجایی که
77
00:02:48,600 –> 00:02:50,730
تصادفی به نظر می رسد اینطور است پس احتمالاً این به ما می گوید
78
00:02:50,730 –> 00:02:52,620
که هیچ ارتباطی وجود ندارد
79
00:02:52,620 –> 00:02:55,290
بین دو لیست مقادیر تصادفی ما و ما
80
00:02:55,290 –> 00:02:57,990
مجموعه دادهها را در اینجا میبینیم که
81
00:02:57,990 –> 00:03:00,660
با مقادیر مرتبطتر است، اما در
82
00:03:00,660 –> 00:03:01,800
حال حاضر اجازه دهید به برخی
83
00:03:01,800 –> 00:03:03,810
سفارشیسازیهای اساسی که میتوانیم در نمودار پراکندگی خود انجام دهیم، نگاه کنیم،
84
00:03:03,810 –> 00:03:06,690
بنابراین اول از همه احساس میکنم
85
00:03:06,690 –> 00:03:08,550
مانند اندازههای نقطهها در اینجا
86
00:03:08,550 –> 00:03:10,890
در این نمودار کمی کوچک هستند و میتوانید
87
00:03:10,890 –> 00:03:14,820
با تنظیم اندازه آن را تغییر دهید و این یک
88
00:03:14,820 –> 00:03:18,450
آرگومان S است، بنابراین ما s را برابر با این
89
00:03:18,450 –> 00:03:20,550
اندازهها قرار میدهیم همیشه کمی عجیب هستند، من باید
90
00:03:20,550 –> 00:03:22,560
همیشه به دنبال آن باشم. در مستندات چگونه
91
00:03:22,560 –> 00:03:26,790
اینها به هم مرتبط نیستند، اما اگر این را اجرا کنیم،
92
00:03:26,790 –> 00:03:29,550
اکنون میتوانیم ببینیم که این نقاط در
93
00:03:29,550 –> 00:03:31,830
اینجا در نمودار پراکنده ما کمی بزرگتر هستند،
94
00:03:31,830 –> 00:03:34,709
اگر شما آن را به 500
95
00:03:34,709 –> 00:03:36,239
یا چیزی شبیه به آن برسانید، واقعاً قابل توجه خواهد بود.
96
00:03:36,239 –> 00:03:38,400
همچنین میتوانیم
97
00:03:38,400 –> 00:03:40,380
رنگ و سبکهای نشانگر این
98
00:03:40,380 –> 00:03:43,650
نمودارها را نیز تغییر دهیم، بنابراین برای تغییر رنگ،
99
00:03:43,650 –> 00:03:47,610
میتوانیم به سادگی در یک آرگومان c عبور
100
00:03:47,610 –> 00:03:50,910
دهیم، بنابراین میگوییم C برابر با سبز است
101
00:03:50,910 –> 00:03:53,040
و انواع سبکهای نشانگر مختلف وجود دارد
102
00:03:53,040 –> 00:03:54,840
که میتوانیم همچنین استفاده کنید، من می خواهم
103
00:03:54,840 –> 00:03:56,910
پیوندی به صفحه ای که در آن قرار دارد، بگذارم میتوانید
104
00:03:56,910 –> 00:03:58,709
سبکهای مختلف را پیدا کنید، اگر میخواهید سبکهای مختلف
105
00:03:58,709 –> 00:03:59,640
را ببینید، پیوندی به آن در قسمت توضیحات
106
00:03:59,640 –> 00:04:01,860
زیر
107
00:04:01,860 –> 00:04:04,410
میگذارم، اما برای مثال، اگر
108
00:04:04,410 –> 00:04:07,950
میخواستم مانند یک نماد X داشته باشم، سپس به عنوان
109
00:04:07,950 –> 00:04:09,989
نشانگر ما، میتوانم به سادگی بگوییم
110
00:04:09,989 –> 00:04:13,920
نشانگر برابر با X است، بنابراین اگر آن را ذخیره
111
00:04:13,920 –> 00:04:15,900
کنیم و آن را اجرا کنیم، میتوانیم ببینیم که اکنون
112
00:04:15,900 –> 00:04:18,209
نشانگرهای سبز رنگ داریم و این
113
00:04:18,209 –> 00:04:21,329
نشانگرهای سبز شبیه به X هستند، بنابراین اجازه دهید من
114
00:04:21,329 –> 00:04:23,640
آن را ببندم که اکنون تقریباً هرگز از
115
00:04:23,640 –> 00:04:25,680
چیزی غیر از نشانگرهای پیشفرض استفاده نمیکنم.
116
00:04:25,680 –> 00:04:27,310
اما
117
00:04:27,310 –> 00:04:29,110
اگر بخواهید این گزینه وجود دارد، اما من فعلاً آن را
118
00:04:29,110 –> 00:04:31,150
حذف می کنم و اکنون فقط به
119
00:04:31,150 –> 00:04:34,300
آن نشانگرهای دایره پیش فرض برمی گردم، یک
120
00:04:34,300 –> 00:04:36,070
چیز دیگر در مورد نمودارهای پراکنده این است که
121
00:04:36,070 –> 00:04:38,110
فکر می کنم اگر لبه هایی به دایره ها اضافه کنیم، بسیار زیباتر به نظر می رسند.
122
00:04:38,110 –> 00:04:40,660
و همچنین مقداری آلفا به آنها بدهید
123
00:04:40,660 –> 00:04:42,340
تا بتوانیم
124
00:04:42,340 –> 00:04:43,960
کمی آنها را ببینیم تا به شما نشان دهیم این
125
00:04:43,960 –> 00:04:46,660
شکل چگونه است، اجازه دهید یک لبه و یک
126
00:04:46,660 –> 00:04:50,020
رنگ اضافه کنم تا بگویم رنگ لبه برابر است با
127
00:04:50,020 –> 00:04:51,610
ما فقط آن را برابر با سیاه قرار می دهیم.
128
00:04:51,610 –> 00:04:53,260
این لبه های
129
00:04:53,260 –> 00:04:57,520
دایره ها خواهد بود و برای عرض خط اجازه دهید
130
00:04:57,520 –> 00:05:00,370
همچنین عرض خط آن لبه را
131
00:05:00,370 –> 00:05:03,669
برابر یک قرار دهید و به رنگ خود یک آلفا بدهیم
132
00:05:03,669 –> 00:05:05,860
تا کمی آن را نرم
133
00:05:05,860 –> 00:05:07,979
کند، به همین راحتی است که فقط بگوییم
134
00:05:07,979 –> 00:05:13,570
آلفا برابر است بیایید 0.75 انجام دهیم، بنابراین اگر
135
00:05:13,570 –> 00:05:16,150
این را اجرا کنم، می توانیم ببینید که اکنون
136
00:05:16,150 –> 00:05:18,190
اینجا کمی زیباتر به نظر می رسد، من فکر می کنم که
137
00:05:18,190 –> 00:05:20,919
این نقاط با این لبه های سیاه
138
00:05:20,919 –> 00:05:22,900
اکنون بسیار بهتر به نظر می رسند اگر رنگ های شما
139
00:05:22,900 –> 00:05:24,520
کمی ملایم باشد، پس همیشه می توانید
140
00:05:24,520 –> 00:05:27,370
با آن آلفا بازی کنید، بنابراین چیز دیگری
141
00:05:27,370 –> 00:05:28,840
که می خواهم به شما نشان دهم این است که چگونه
142
00:05:28,840 –> 00:05:31,660
رنگها و اندازهها واقعاً میتوانند بر اساس
143
00:05:31,660 –> 00:05:34,479
هر علامت باشند به جای اعمال آنها
144
00:05:34,479 –> 00:05:37,900
برای همه علامتها، بنابراین
145
00:05:37,900 –> 00:05:40,180
چرا میخواهید چندین رنگ یا اندازه را بخواهید
146
00:05:40,180 –> 00:05:42,729
که توانایی داشتن چندین
147
00:05:42,729 –> 00:05:45,669
رنگ و اندازه را داشته باشد، در واقع به ما اجازه میدهد
148
00:05:45,669 –> 00:05:48,669
مجموعه دادههای اضافی اضافه کنیم. در طرح ما،
149
00:05:48,669 –> 00:05:50,860
به عنوان مثال، فرض کنید
150
00:05:50,860 –> 00:05:53,830
که ما طرح فعلی خود را داریم که به تازگی به آن نگاه کردیم، اما
151
00:05:53,830 –> 00:05:55,180
میخواستیم اطلاعات بیشتری اضافه
152
00:05:55,180 –> 00:05:57,580
کنیم، به عنوان مثال، اجازه دهید وانمود
153
00:05:57,580 –> 00:06:00,190
کنیم که طرح فعلی ما برخی از
154
00:06:00,190 –> 00:06:02,289
دادههای نظرسنجی در مورد یک دسته از افراد است و
155
00:06:02,289 –> 00:06:03,880
میخواستیم دادهها را بیشتر
156
00:06:03,880 –> 00:06:05,979
به چیزهای خاصتری تقسیم
157
00:06:05,979 –> 00:06:08,110
میکنیم، به عنوان مثال، فرض کنید که این
158
00:06:08,110 –> 00:06:10,750
افراد به چیزی از 1 تا 10 امتیاز میدهند و
159
00:06:10,750 –> 00:06:14,169
میخواستیم به نحوی رتبهبندی آنها
160
00:06:14,169 –> 00:06:17,169
را نیز ترسیم کنیم تا بتوانیم به سادگی
161
00:06:17,169 –> 00:06:19,600
اعداد مختلفی را به این احتمالات مختلف اختصاص دهیم
162
00:06:19,600 –> 00:06:22,120
و
163
00:06:22,120 –> 00:06:24,039
سپس آنها رنگهای مختلفی را در
164
00:06:24,039 –> 00:06:26,289
نمودار پراکندگی به شما میدهند تا زمانی که آن
165
00:06:26,289 –> 00:06:28,750
را به روش خود وارد کنید، بنابراین من یک متغیر رنگی دارم که
166
00:06:28,750 –> 00:06:31,840
در اینجا نظر داده شده است، بنابراین اجازه
167
00:06:31,840 –> 00:06:34,389
دهید این را از نظر حذف کنم و اجازه دهید این را به
168
00:06:34,389 –> 00:06:37,180
بالای نمودار پراکندگی خود منتقل کنم و فکر میکنم این
169
00:06:37,180 –> 00:06:39,370
یک نتیجه را ایجاد میکند. هنگامی که این را ترسیم کنیم، کمی منطقی تر است،
170
00:06:39,370 –> 00:06:41,230
بنابراین اعدادی که
171
00:06:41,230 –> 00:06:43,120
این رنگ ها لیست می کند، اعدادی
172
00:06:43,120 –> 00:06:45,610
بین 1 تا 10 هستند، همانطور که قبلاً گفتم،
173
00:06:45,610 –> 00:06:48,340
شاید این می تواند پاسخ یک فرد به
174
00:06:48,340 –> 00:06:50,950
میزان رضایت آنها از یک
175
00:06:50,950 –> 00:06:53,260
محصول خاص یا چیزی شبیه به آن باشد، بنابراین هر یک
176
00:06:53,260 –> 00:06:55,600
از آنها این مقادیر با یک
177
00:06:55,600 –> 00:06:58,420
نقطه داده در متغیرهای x و y ما مطابقت دارند،
178
00:06:58,420 –> 00:07:01,150
بنابراین اگر این را به عنوان آرگومان رنگی به متد پراکندگی خود منتقل کنیم،
179
00:07:01,150 –> 00:07:03,910
180
00:07:03,910 –> 00:07:05,440
میخواهم بگویم اوه، من تصادفا
181
00:07:05,440 –> 00:07:08,320
t را چسباندم. کلاه میخواهم بگویم ببین
182
00:07:08,320 –> 00:07:10,120
بهجای اینکه در سبز به همان اندازه خوب باشم، میخواهم
183
00:07:10,120 –> 00:07:13,060
با رنگها برابر باشد، بنابراین اکنون این را
184
00:07:13,060 –> 00:07:15,280
اجرا میکنم، سپس میتوانیم ببینیم که
185
00:07:15,280 –> 00:07:18,160
نقاط رنگی متفاوتی دریافت میکنیم، بنابراین آنچه
186
00:07:18,160 –> 00:07:21,280
اینجا انجام میشود هر زمان است که ما انجام دهیم. این مقدار x
187
00:07:21,280 –> 00:07:25,000
و y را در اینجا 5 و 7 ترسیم کنید،
188
00:07:25,000 –> 00:07:28,480
همچنین رنگ 7 دارد و این رنگ های مختلف
189
00:07:28,480 –> 00:07:31,420
در اینجا 759 همه اینها
190
00:07:31,420 –> 00:07:33,400
با رنگ های مختلف در اینجا در نمودار ما مطابقت دارند،
191
00:07:33,400 –> 00:07:35,410
اکنون من واقعاً
192
00:07:35,410 –> 00:07:36,790
رنگ هایی را که ما دوست ندارم. دوباره به اینجا
193
00:07:36,790 –> 00:07:39,340
رسیدیم اینها فقط سایه های خاکستری هستند، ما در واقع می توانیم
194
00:07:39,340 –> 00:07:41,410
با استفاده از یک نقشه رنگی آنها را تغییر دهیم و
195
00:07:41,410 –> 00:07:43,660
درست مانند نمادهای نشانگر، تعداد
196
00:07:43,660 –> 00:07:46,030
زیادی نقشه رنگی داخلی وجود دارد که می توانیم
197
00:07:46,030 –> 00:07:48,310
از آنها استفاده کنیم و من در حال چرخش خواهم بود که پیوندی را
198
00:07:48,310 –> 00:07:50,830
در آن بنویسم. اگر میخواهید با این گزینهها بازی کنید، بخش توضیحات زیر برای همه
199
00:07:50,830 –> 00:07:52,480
گزینههای نقشه رنگی
200
00:07:52,480 –> 00:07:54,940
201
00:07:54,940 –> 00:07:58,120
202
00:07:58,120 –> 00:08:01,180
203
00:08:01,180 –> 00:08:04,570
است.
204
00:08:04,570 –> 00:08:06,700
به و آن سبزها با
205
00:08:06,700 –> 00:08:09,730
G بزرگ است مطمئن شوید که در آنجا کاما می
206
00:08:09,730 –> 00:08:13,210
گذارم حالا اجازه دهید آن را اجرا کنید و اکنون میتوانیم
207
00:08:13,210 –> 00:08:15,580
ببینیم که اکنون این
208
00:08:15,580 –> 00:08:18,730
سایههای مختلف سبز را بهعنوان شدت دریافت میکنیم، بنابراین
209
00:08:18,730 –> 00:08:21,250
فکر میکنم رنگهای روشنتر به 0
210
00:08:21,250 –> 00:08:24,580
و تیرهها نزدیکتر به 10 هستند، اما
211
00:08:24,580 –> 00:08:27,040
ما واقعاً بر اساس این موضوع نمیدانیم.
212
00:08:27,040 –> 00:08:28,990
در اینجا نشان داده شده است، بنابراین احتمالاً
213
00:08:28,990 –> 00:08:31,150
می خواهید یک برچسب برای
214
00:08:31,150 –> 00:08:33,880
نقشه رنگی خود نیز اضافه کنید تا افرادی که نمودار ما را مشاهده می کنند
215
00:08:33,880 –> 00:08:35,650
بدانند که این رنگ ها چه چیزی را نشان می
216
00:08:35,650 –> 00:08:39,039
دهند تا این کار را انجام دهند تا بتوانیم یک افسانه نوار رنگ اضافه کنیم
217
00:08:39,039 –> 00:08:41,229
، بنابراین من می خواهم این را ببندم. پایین
218
00:08:41,229 –> 00:08:44,320
و زیر نمودار پراکندگی ما فقط می توانیم
219
00:08:44,320 –> 00:08:47,950
بگوییم نوار C برابر است و این
220
00:08:47,950 –> 00:08:52,300
نوار رنگی نقطه PLT خواهد بود و این یک
221
00:08:52,300 –> 00:08:54,900
روش است و اکنون می خواهم بگویم
222
00:08:54,900 –> 00:08:59,250
برچسب زیر خط مجموعه نقطه C نوار و اکنون می توانیم
223
00:08:59,250 –> 00:09:01,320
یک تنظیم کنیم. برچسبی برای این کار بنابراین همانطور که گفتم
224
00:09:01,320 –> 00:09:03,660
شاید این می تواند مانند سطح رضایت
225
00:09:03,660 –> 00:09:05,279
یا چیزی باشد، بنابراین من فقط می گویم
226
00:09:05,279 –> 00:09:08,370
رضایت پس حالا اجازه دهید آن را اجرا کنم و
227
00:09:08,370 –> 00:09:12,000
اکنون می توانیم ببینیم که یک نوار رنگی
228
00:09:12,000 –> 00:09:14,790
در اینجا در سمت راست داریم و اکنون داریم
229
00:09:14,790 –> 00:09:17,190
چندین نقطه از اطلاعات در اینجا، بنابراین
230
00:09:17,190 –> 00:09:19,470
ما می توانیم داده های XY خود را ببینیم، اما سپس می توانیم
231
00:09:19,470 –> 00:09:22,050
Okay d را نیز ببینیم بسته به نحوه
232
00:09:22,050 –> 00:09:24,930
رنگ آمیزی آنها، سطح رضایت آن شخص است،
233
00:09:24,930 –> 00:09:26,910
بنابراین این موارد تیره بسیار
234
00:09:26,910 –> 00:09:28,589
راضی هستند و رنگ های روشن
235
00:09:28,589 –> 00:09:30,420
تر راضی نمی شوند، اکنون می توانیم
236
00:09:30,420 –> 00:09:32,490
اندازه نقاط داده خود را نیز تغییر دهیم،
237
00:09:32,490 –> 00:09:35,279
بنابراین درست مانند رنگی که
238
00:09:35,279 –> 00:09:37,529
می توان به آن اضافه کرد. روش دیگری برای توضیح
239
00:09:37,529 –> 00:09:40,140
بیشتر دادههایمان، به عنوان مثال، من
240
00:09:40,140 –> 00:09:42,060
نمودارهای پراکندگی زیادی میبینم که از
241
00:09:42,060 –> 00:09:44,100
اندازه نقطه برای چیزهایی مانند
242
00:09:44,100 –> 00:09:47,339
جمعیت و چیزهایی مانند آن یا شاید
243
00:09:47,339 –> 00:09:49,290
حتی اندازه نمونه برای آن نقطه داده استفاده میکنند،
244
00:09:49,290 –> 00:09:51,930
بنابراین من یک نمونه تصادفی دارم. فهرستی از اندازهها
245
00:09:51,930 –> 00:09:54,690
که در اینجا نیز توضیح داده شده است، بنابراین اجازه
246
00:09:54,690 –> 00:09:58,260
دهید اینها را بگیرم و اجازه دهید آنها را در زیر رنگها به سمت بالا ببرم
247
00:09:58,260 –> 00:10:02,250
و درست مانند
248
00:10:02,250 –> 00:10:04,740
رنگها، این لیستی از 20
249
00:10:04,740 –> 00:10:07,050
اندازه مختلف در اینجا است که با نقاط داده
250
00:10:07,050 –> 00:10:09,270
و متغیرهای x و y مطابقت دارد.
251
00:10:09,270 –> 00:10:11,670
بنابراین اگر قرار بود در
252
00:10:11,670 –> 00:10:16,080
این فهرست اندازهها در اینجا بهعنوان اندازههای خود عبور کنم،
253
00:10:16,080 –> 00:10:19,080
فرض کنید اندازهها را انتخاب کردم، اوه هیچ اندازهای را
254
00:10:19,080 –> 00:10:21,980
در اینجا انتخاب کردم، متأسفم، بنابراین آن را به عنوان
255
00:10:21,980 –> 00:10:26,370
اندازهها در آنجا قرار میدهم و حالا اگر این را اجرا
256
00:10:26,370 –> 00:10:28,170
کنیم، میتوانیم ببینیم که اکنون هر کدام از اینها
257
00:10:28,170 –> 00:10:31,320
نمودارهای منفرد نیز اندازه دارند و
258
00:10:31,320 –> 00:10:33,150
می توانید از آن برای انواع مختلف
259
00:10:33,150 –> 00:10:35,040
داده استفاده کنید، بنابراین اکنون که نحوه
260
00:10:35,040 –> 00:10:37,050
انجام این کارها را با داده های نمونه ساده
261
00:10:37,050 –> 00:10:39,779
خود در اینجا دیدیم، اکنون به نحوه
262
00:10:39,779 –> 00:10:42,150
ترسیم برخی از داده های دنیای واقعی نگاه می کنیم. از یک
263
00:10:42,150 –> 00:10:43,950
فایل CSV که من اینج