در این مطلب، ویدئو پایتون – همبستگی پیرسون (ضریب و آزمون) 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: 00:06:06
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,040 –> 00:00:03,040
خوش آمدید در این ویدیو به
2
00:00:03,040 –> 00:00:04,560
شما نشان خواهم داد که چگونه می توانید
3
00:00:04,560 –> 00:00:06,879
ضریب همبستگی پیرسون را
4
00:00:06,879 –> 00:00:09,760
در پایتون 3 تعیین کنید و این به طور خاص
5
00:00:09,760 –> 00:00:12,160
مشتری در آزمایشگاه مشتری
6
00:00:12,160 –> 00:00:13,840
است که هم
7
00:00:13,840 –> 00:00:16,000
خود ضریب را شامل می شود و هم اینکه
8
00:00:16,000 –> 00:00:19,439
آزمایش می کند که آیا اکنون همبستگی پیرسون
9
00:00:19,439 –> 00:00:20,320
معنی دار
10
00:00:20,320 –> 00:00:22,960
است یا خیر. احتمالاً مشهورترین موردی است که می توانید از آن استفاده
11
00:00:22,960 –> 00:00:23,760
کنید اگر فقط
12
00:00:23,760 –> 00:00:27,039
دو متغیر مقیاس داشته باشید اعداد و می
13
00:00:27,039 –> 00:00:28,800
خواهید بررسی کنید که آیا رابطه ای
14
00:00:28,800 –> 00:00:30,320
بین این دو
15
00:00:30,320 –> 00:00:32,399
وجود دارد یا خیر، از منهای یک تا به علاوه یک
16
00:00:32,399 –> 00:00:34,239
منهای یک منفی کامل
17
00:00:34,239 –> 00:00:38,079
به علاوه یک مثبت کامل
18
00:00:38,079 –> 00:00:40,239
صفر، به سختی هیچ رابطه ای را نشان می دهد.
19
00:00:40,239 –> 00:00:41,760
20
00:00:41,760 –> 00:00:43,680
رابطه مثبت به این معنی است که اگر یکی
21
00:00:43,680 –> 00:00:45,280
بالا برود دیگری نیز بالا می رود، به
22
00:00:45,280 –> 00:00:47,280
عنوان مثال تعداد بستنی های فروخته شده
23
00:00:47,280 –> 00:00:49,039
در مقابل دما هر چه گرمتر
24
00:00:49,039 –> 00:00:51,520
شود احتمالاً بستنی های بیشتری
25
00:00:51,520 –> 00:00:52,320
فروخته می شود
26
00:00:52,320 –> 00:00:54,239
و منفی به معنای
27
00:00:54,239 –> 00:00:56,320
برعکس است، برای مثال کت های زمستانی.
28
00:00:56,320 –> 00:00:57,360
در مقایسه با دما،
29
00:00:57,360 –> 00:01:00,719
هر چه گرمتر شود،
30
00:01:01,840 –> 00:01:04,720
ژاکت های زمستانی کمتر فروخته می شود،
31
00:01:04,720 –> 00:01:05,600
اکنون هیچ قیمتی
32
00:01:05,600 –> 00:01:07,280
برای مقادیر بینابینی وجود ندارد.
33
00:01:07,280 –> 00:01:09,119
روشی برای تعیین اینکه
34
00:01:09,119 –> 00:01:12,240
آیا این مقدار زیاد است یا نه، بنابراین
35
00:01:12,240 –> 00:01:13,600
کاری که می توانید انجام دهید این است که می توانید
36
00:01:13,600 –> 00:01:15,360
به قدر مطلق و
37
00:01:15,360 –> 00:01:17,520
ریا و پارکر که آنها به این
38
00:01:17,520 –> 00:01:19,920
قانون کوچک تعبیر شده اند نگاهی بیندازید، اما
39
00:01:19,920 –> 00:01:20,479
البته می تواند
40
00:01:20,479 –> 00:01:22,080
به زمینه شما بستگی داشته باشد. کار کنید
41
00:01:22,080 –> 00:01:23,520
42
00:01:23,520 –> 00:01:25,759
تا به شما نشان دهم چگونه می توان این آزمایش را انجام داد،
43
00:01:25,759 –> 00:01:27,759
من از یک مثال استفاده می کنم
44
00:01:27,759 –> 00:01:30,640
و آن مثال را به عنوان یک قاب داده پاندا بارگیری می کنم،
45
00:01:30,640 –> 00:01:32,479
بنابراین ابتدا
46
00:01:32,479 –> 00:01:35,520
پانداها را به صورت pd وارد می کنم تا بتوانم هر بار آن را به صورت pdf مخفف کنم.
47
00:01:35,520 –> 00:01:36,159
48
00:01:36,159 –> 00:01:39,119
49
00:01:39,119 –> 00:01:41,119
قبل از اینکه از بستهای استفاده نکردهاید، ابتدا باید
50
00:01:41,119 –> 00:01:41,840
آن را نصب کنید
51
00:01:41,840 –> 00:01:44,000
علامت تعجب pip install و
52
00:01:44,000 –> 00:01:45,520
نام بستهای
53
00:01:45,520 –> 00:01:47,520
که معمولاً کار میکند، در غیر این صورت در مورد
54
00:01:47,520 –> 00:01:50,000
نحوه نصب بستهها در گوگل جستجو کنید،
55
00:01:50,000 –> 00:01:51,680
این برای هر بستهای که ممکن است
56
00:01:51,680 –> 00:01:53,520
استفاده کنم
57
00:01:53,520 –> 00:01:56,640
صدق میکند، سپس میتوانم از pandas read csv استفاده کنم. برای بارگیری
58
00:01:56,640 –> 00:01:58,960
فایل دادههای کارمندم که ذخیره کردهام و
59
00:01:58,960 –> 00:02:02,399
سر پنج رکورد اول را
60
00:02:02,399 –> 00:02:05,280
اکنون برای مثال نشان میدهد، به عنوان مثال،
61
00:02:05,280 –> 00:02:06,640
از حقوق اولیه
62
00:02:06,640 –> 00:02:08,639
در مقابل حقوق فعلی که
63
00:02:08,639 –> 00:02:10,959
حقوق است استفاده میکنم، بنابراین آنها را به عنوان یک داده جداگانه ذخیره میکنم.
64
00:02:10,959 –> 00:02:12,319
قاب
65
00:02:12,319 –> 00:02:16,000
و من می خواهم یک را رها کنم ny مقادیر از دست رفته
66
00:02:16,000 –> 00:02:19,360
اکنون پانداها تابع ضریب همبستگی خاص خود را دارند،
67
00:02:19,360 –> 00:02:21,440
بنابراین شما می توانید به سادگی
68
00:02:21,440 –> 00:02:23,440
از چارچوب داده جدید و سپس
69
00:02:23,440 –> 00:02:26,400
هسته استفاده کنید و به طور پیش فرض
70
00:02:26,400 –> 00:02:28,239
همبستگی پیرسون
71
00:02:28,239 –> 00:02:30,720
را به شما می دهد، بنابراین می توانید ببینید که بین حقوق
72
00:02:30,720 –> 00:02:32,400
73
00:02:32,400 –> 00:02:34,879
و دستمزد و حقوق اولیه
74
00:02:34,879 –> 00:02:35,599
75
00:02:35,599 –> 00:02:39,200
است. 0.88 بسیار قوی است،
76
00:02:39,200 –> 00:02:41,280
شما همچنین آن را دو بار همان عدد را می بینید
77
00:02:41,280 –> 00:02:42,720
زیرا در اینجا کرفس و کرفس ابتدایی را با هم مقایسه می کنیم
78
00:02:42,720 –> 00:02:45,360
و
79
00:02:45,360 –> 00:02:47,040
اینجا برعکس، بنابراین
80
00:02:47,040 –> 00:02:47,680
81
00:02:47,680 –> 00:02:49,360
همان قطری است که می توانید نادیده بگیرید زیرا
82
00:02:49,360 –> 00:02:50,720
این همبستگی بین
83
00:02:50,720 –> 00:02:51,440
متغیر
84
00:02:51,440 –