در این مطلب، ویدئو تجسم داده ها | تجسم داده پایتون | Intellipaat 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: 00:45:18
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:10,969 –> 00:00:13,799
سلام بچه ها از طریق تله پات به جلسه خوش آمدید،
2
00:00:13,799 –> 00:00:16,710
بنابراین فقط یک اطلاعات سریع
3
00:00:16,710 –> 00:00:18,359
جلسه می تواند به طور همزمان
4
00:00:18,359 –> 00:00:21,480
در YouTube نیز پخش شود، بنابراین در
5
00:00:21,480 –> 00:00:23,250
این جلسه می خواهیم یاد بگیریم که چگونه
6
00:00:23,250 –> 00:00:25,830
تجسم داده ها را با پایتون
7
00:00:25,830 –> 00:00:27,840
انجام دهیم، بنابراین بیایید نگاهی سریع به دستور کار بیندازیم.
8
00:00:27,840 –> 00:00:29,609
ما با درک
9
00:00:29,609 –> 00:00:31,650
اهمیت تجسم داده ها شروع می کنیم و
10
00:00:31,650 –> 00:00:33,329
سپس خواهیم دید که چگونه می توان
11
00:00:33,329 –> 00:00:34,710
تجسم داده ها را با بسته matplotlib انجام داد،
12
00:00:34,710 –> 00:00:38,640
بنابراین به سادگی تجسم داده
13
00:00:38,640 –> 00:00:41,040
ها هنر نمایش داده های خام
14
00:00:41,040 –> 00:00:43,590
در قالب نمودارهای زیبا و زاهدانه
15
00:00:43,590 –> 00:00:46,110
است. شما در حال کار بر روی
16
00:00:46,110 –> 00:00:48,719
مجموعه داده عظیمی هستید که شامل حدود
17
00:00:48,719 –> 00:00:52,079
هزار ستون و 1 میلیون ردیف است، اکنون
18
00:00:52,079 –> 00:00:54,390
یافتن بینش از این داده ها
19
00:00:54,390 –> 00:00:56,730
بسیار سخت است، بنابراین اینجاست که می
20
00:00:56,730 –> 00:00:58,920
توانیم از تجسم داده ها برای
21
00:00:58,920 –> 00:01:00,899
پیدا کردن الگوهای جالب از داده ها کمک
22
00:01:00,899 –> 00:01:03,329
بگیریم تا این را داشته باشیم. مجموعه داده ها بر روی شما و
23
00:01:03,329 –> 00:01:05,519
این مجموعه داده در
24
00:01:05,519 –> 00:01:09,420
قالب تصاویر نشان داده شده است اکنون می بینیم که این تصاویر
25
00:01:09,420 –> 00:01:12,330
به ما کمک می کند تا به راحتی ویژگی
26
00:01:12,330 –> 00:01:14,460
های این حیوانات را شناسایی کنیم بنابراین ما ماموتها
27
00:01:14,460 –> 00:01:15,990
در اینجا و با کمک این
28
00:01:15,990 –> 00:01:17,729
تصویر میتوانیم ببینیم که اندازه
29
00:01:17,729 –> 00:01:20,299
ماموتها
30
00:01:33,640 –> 00:01:40,600
مناسب است، بنابراین برای آن وقفه متاسفم، بنابراین
31
00:01:40,600 –> 00:01:42,670
همانطور که میگفتم این تصاویر
32
00:01:42,670 –> 00:01:44,620
را در اینجا داریم و این تصاویر به راحتی به
33
00:01:44,620 –> 00:01:46,390
ما کمک میکنند ویژگیهای اینها را شناسایی کنیم.
34
00:01:46,390 –> 00:01:48,520
حیوانات پس این ماموت است و
35
00:01:48,520 –> 00:01:50,590
شهروندان رکورد اول و این
36
00:01:50,590 –> 00:01:52,450
گربه شمشیر دندان است که نشان دهنده
37
00:01:52,450 –> 00:01:54,280
رکورد دوم است و با کمک این
38
00:01:54,280 –> 00:01:55,810
تصویر می توانیم ببینیم که اندازه
39
00:01:55,810 –> 00:01:58,350
ماموت ما
40
00:02:15,740 –> 00:02:18,860
بله متاسفم بنابراین به نظر می رسد یک
41
00:02:18,860 –> 00:02:20,900
مشکل فنی با بنابراین اکنون
42
00:02:20,900 –> 00:02:22,460
امیدوارم که صفحه برای همه قابل مشاهده
43
00:02:22,460 –> 00:02:26,060
باشد، بنابراین اجازه دهید
44
00:02:26,060 –> 00:02:27,650
از ابتدا شروع کنم، بنابراین همانطور که
45
00:02:27,650 –> 00:02:29,870
گفتم تجسم داده ها
46
00:02:29,870 –> 00:02:32,750
اساساً هنر نمایش داده های خام در
47
00:02:32,750 –> 00:02:35,270
قالب نمودارهای زیبا و زاهدانه است، اکنون
48
00:02:35,270 –> 00:02:36,800
اجازه دهید این را در نظر بگیریم. به عنوان مثال، وقتی
49
00:02:36,800 –> 00:02:38,240
روی یک مجموعه داده عظیم راه می روید که
50
00:02:38,240 –> 00:02:40,160
از حدود هزار ستون و
51
00:02:40,160 –> 00:02:41,870
1 میلیون ردیف تشکیل شده است،
52
00:02:41,870 –> 00:02:44,840
اکنون برای یافتن بینش از این
53
00:02:44,840 –> 00:02:47,270
داده های بسیار عظیم، بسیار بسیار دشوار است، بنابراین
54
00:02:47,270 –> 00:02:48,740
اینجاست که می توانیم n از
55
00:02:48,740 –> 00:02:51,350
تجسم داده ها کمک بگیرید تا
56
00:02:51,350 –> 00:02:53,600
بینش های بسیار معناداری را از داده ها پیدا
57
00:02:53,600 –> 00:02:55,910
کنید، بنابراین در اینجا ما این مجموعه داده را دریافت کرده ایم و
58
00:02:55,910 –> 00:02:57,740
این مجموعه داده را در قالب
59
00:02:57,740 –> 00:02:59,690
این تصاویر نشان داده ایم، بنابراین این تصویر
60
00:02:59,690 –> 00:03:01,280
ماموت است که نشان دهنده اولین
61
00:03:01,280 –> 00:03:03,380
رکورد است و این تصویر
62
00:03:03,380 –> 00:03:05,480
گربه Sabretooth است که
63
00:03:05,480 –> 00:03:08,060
دومین رکورد را نشان می دهد و ما به راحتی می توانیم
64
00:03:08,060 –> 00:03:10,370
بینش این دو حیوان را از این
65
00:03:10,370 –> 00:03:12,890
تصویر پیدا کنیم بنابراین می بینیم که اندازه
66
00:03:12,890 –> 00:03:15,830
ماموت 13000 پوند و قدرت تهاجمی آن
67
00:03:15,830 –> 00:03:18,500
بسیار کم است و سرعت ماموت در
68
00:03:18,500 –> 00:03:20,990
حدود 25 است. کیلومتر در ساعت و سپس
69
00:03:20,990 –> 00:03:22,970
ما گربه شمشیر دندان داریم، بنابراین می بینیم
70
00:03:22,970 –> 00:03:24,410
که از این تصویر سرعت
71
00:03:24,410 –> 00:03:26,150
گربه دندان شمشیر 75 کیلومتر در
72
00:03:26,150 –> 00:03:28,700
ساعت است که قدرت تهاجمی آن بسیار بالا است و
73
00:03:28,700 –> 00:03:33,110
اندازه آن 400 پوند است، پس حالا
74
00:03:33,110 –> 00:03:34,640
دوباره بیایید این را بگیریم. به عنوان مثال،
75
00:03:34,640 –> 00:03:37,370
ما این Anscombe را چمباتمه زده ایم، بنابراین این
76
00:03:37,370 –> 00:03:39,770
مجموعه داده اساساً از چهار فایل
77
00:03:39,770 –> 00:03:42,320
تشکیل شده است و این چهار فایل دارای
78
00:03:42,320 –> 00:03:45,470
مقادیر x و y هستند، اکنون اگر
79
00:03:45,470 –> 00:03:47,330
به این مجموعه داده دقت کنید، خواهید دید که
80
00:03:47,330 –> 00:03:49,790
th مقادیر ese بسیار شبیه به
81
00:03:49,790 –> 00:03:51,680
یکدیگر هستند حالا اجازه دهید در واقع جلو برویم
82
00:03:51,680 –> 00:03:54,040
و میانگین مجموع و انحراف استاندارد را
83
00:03:54,040 –> 00:03:57,380
برای x و y برای همه این
84
00:03:57,380 –> 00:03:59,570
چهار فایل پیدا کنیم، حالا دوباره اگر به این
85
00:03:59,570 –> 00:04:02,000
نتیجه نگاه کنیم می بینیم که مقادیر x و y
86
00:04:02,000 –> 00:04:04,940
یکسان هستند. در تمام این چهار
87
00:04:04,940 –> 00:04:07,370
فایل، بنابراین اگر فقط یک نگاه به
88
00:04:07,370 –> 00:04:09,770
مقداری انحراف میانگین و استاندارد بیندازید،
89
00:04:09,770 –> 00:04:12,140
ممکن است فکر کنیم که مقادیر X و y
90
00:04:12,140 –> 00:04:14,630
برای همه این چهار فایل بسیار
91
00:04:14,630 –> 00:04:17,089
شبیه به هم هستند، اما بیایید در واقع ادامه دهیم و
92
00:04:17,089 –> 00:04:20,329
این چهار فایل را رسم کنیم تا زمانی که ما
93
00:04:20,329 –> 00:04:22,460
در واقع یک نمایش تصویری
94
00:04:22,460 –> 00:04:24,260
از این مجموعه داده ایجاد می کنیم، می بینیم که
95
00:04:24,260 –> 00:04:27,610
رابطه بین x و
96
00:04:27,610 –> 00:04:30,009
y با این چهار فایل بسیار متفاوت است و ما
97
00:04:30,009 –> 00:04:31,449
توانستیم این را با
98
00:04:31,449 –> 00:04:34,270
کمک تجسم داده ها درک کنیم، بنابراین اکنون که
99
00:04:34,270 –> 00:04:35,740
اهمیت تجسم داده ها را می دانیم،
100
00:04:35,740 –> 00:04:37,870
بیایید در واقع به
101
00:04:37,870 –> 00:04:39,939
کتابخانههای تجسم مختلف با
102
00:04:39,939 –> 00:04:42,580
پایتون نگاه کنید تا پایتون دچار پوسیدگی دیوانه شده است.
103
00:04:42,580 –> 00:04:45,069
104
00:04:45,069 –> 00:04:47,800
105
00:04:47,800 –> 00:04:49,960
پکیج my plot
106
00:04:49,960 –> 00:04:52,120
lip پس بیایید به
107
00:04:52,120 –> 00:04:54,819
نوت بوک Jupiter
108
00:04:54,819 –> 00:04:56,710
برویم و ستاره دار باشیم، من بسته numpy را نیز وارد می کنم، بنابراین یک import
109
00:04:56,710 –> 00:05:01,930
numpy ass NP را درست تایپ می کنم، بنابراین فقط
110
00:05:01,930 –> 00:05:05,819
این دو مقدار را اینجا کپی می کنم و
111
00:05:05,819 –> 00:05:08,979
آنها را روی شما قرار می دهم. اجازه
112
00:05:08,979 –> 00:05:16,389
دهید همین حالا این دو خط را در اینجا کپی کنم، بنابراین اکنون
113
00:05:16,389 –> 00:05:19,990
کاری که من انجام خواهم داد این است که در واقع چند
114
00:05:19,990 –> 00:05:22,330
رنگ به این نمودار خط اضافه می کنم، بنابراین
115
00:05:22,330 –> 00:05:25,080
مقدار X را دارم، مقدار y را دریافت
116
00:05:25,080 –> 00:05:27,520
می کنم و اکنون چه می کنم do is من رنگ این را تغییر
117
00:05:27,520 –> 00:05:31,150
میدهم بنابراین از ویژگی Co
118
00:05:31,150 –> 00:05:34,479
lor استفاده میکنم و رنگ را میدهم، مثلاً
119
00:05:34,479 –> 00:05:38,139
قرمز، این کار را انجام دهید و بعد از این کاری که انجام میدهم این
120
00:05:38,139 –> 00:05:40,360
است که یک عنوان به طرح اختصاص میدهم تا
121
00:05:40,360 –> 00:05:43,270
برای آن من باید از عنوان نقطه PLT استفاده کنم
122
00:05:43,270 –> 00:05:44,919
و عنوانی که به آن خواهم
123
00:05:44,919 –> 00:05:49,330
داد نمودار خط است و همچنین می توانم
124
00:05:49,330 –> 00:05:50,830
به محور x و همچنین
125
00:05:50,830 –> 00:05:53,110
محور y برچسب بدهم تا به محور x برچسب
126
00:05:53,110 –> 00:06:01,139
I بدهم. d باید برچسب PLT نقطه X را تایپ کنید و
127
00:06:01,139 –> 00:06:03,990
من برچسب محور x را به عنوان محور x میدهم،
128
00:06:03,990 –> 00:06:06,460
همانطور که وقتی
129
00:06:06,460 –> 00:06:09,639
برچسب محور y را دادید، بنابراین این
130
00:06:09,639 –> 00:06:12,879
برچسب نقطه Y PLT و برچسبی است که من یک m
131
00:06:12,879 –> 00:06:16,300
دادن به محور y محور y به همین سادگی است،
132
00:06:16,300 –> 00:06:19,360
بنابراین ما یک طرح خط را سفارشی
133
00:06:19,360 –> 00:06:21,639
کردیم، بنابراین با ایجاد یک
134
00:06:21,639 –> 00:06:23,169
نمودار خط ساده شروع کردیم که در آن رنگ
135
00:06:23,169 –> 00:06:25,690
خط آبی بود و پس از آن یک نمودار خطی درست کردیم
136
00:06:25,690 –> 00:06:27,759
و این بار ما نمودار خط را سفارشی کردهایم
137
00:06:27,759 –> 00:06:29,440
تا رنگ خط
138
00:06:29,440 –> 00:06:31,029
قرمز باشد و همچنین برچسبهایی را
139
00:06:31,029 –> 00:06:32,830
برای عنوان برای محور x و همچنین
140
00:06:32,830 –> 00:06:35,589
برای محور توسط اختصاص دادهایم، اکنون خواهیم دید که
141
00:06:35,589 –> 00:06:38,409
چگونه کمی از subplot Eng توجه ما خواهیم دید
142
00:06:38,409 –> 00:06:40,360
که چگونه دو
143
00:06:40,360 –> 00:06:44,319
نمودار را در یک شکل درست اضافه کنیم، بنابراین
144
00:06:44,319 –> 00:06:45,610
کاری که من انجام خواهم داد این است که من در
145
00:06:45,610 –> 00:06:48,490
واقع دو مقدار Y خواهم داشت، بنابراین اجازه دهید این را کپی کنم
146
00:06:48,490 –> 00:06:51,189
و اجازه دهید آن را به اینجا منتقل کنم تا
147
00:06:51,189 –> 00:06:53,680
محور x مقادیر یکسان خواهند بود و من
148
00:06:53,680 –> 00:06:56,020
در اینجا y یک خواهم داشت، بنابراین Y منهای دو
149
00:06:56,020 –> 00:06:58,569
متقاطع X به اضافه پنج، سپس Y 2 نیز خواهم داشت،
150
00:06:58,569 –> 00:07:01,560
بنابراین y two تبدیل به سه متقاطع X
151
00:07:01,560 –> 00:07:04,659
به اضافه 10 می شود و با کمک این
152
00:07:04,659 –> 00:07:07,539
مقادیر ایجاد خواهم کرد. دو نمودار، بنابراین برای
153
00:07:07,539 –> 00:07:10,659
داشتن دو طرح فرعی در همان جعلی
154
00:07:10,659 –> 00:07:14,229
، باید از روش نقطه فرعی PLT استفاده کنم
155
00:07:14,229 –> 00:07:15,490
و این اساساً سه
156
00:07:15,490 –> 00:07:18,539
پارامتر دارد، بنابراین پارامتر اول
157
00:07:18,539 –> 00:07:21,400
تعداد تصاویر در ردیفها و
158
00:07:21,400 –> 00:07:23,979
تعداد تصاویر در ستونها، بنابراین از آنجایی که من
159
00:07:23,979 –> 00:07:26,500
دو تصویر میخواهم، اساساً به معنای یک
160
00:07:26,500 –> 00:07:30,340
کاما دو است، بنابراین من یک سطر و دو
161
00:07:30,340 –> 00:07:32,740
ستون خواهم داشت و یکی را در اینجا قرار میدهم تا
162
00:07:32,740 –> 00:07:34,389
این یکی بیسکایی باشد. به این معنی است که من
163
00:07:34,389 –> 00:07:38,740
اکنون برای یک طرح فرعی فعال می کنم، اجازه دهید ادامه دهم
164
00:07:38,740 –> 00:07:42,039
و نمودار sopl T dot را رسم کنم
165
00:07:42,039 –> 00:07:47,110
و مقادیر X کاما y1 خواهد بود، اکنون
166
00:07:47,110 –> 00:07:49,330
اجازه دهید من ادامه دهم و همچنین در طرح فرعی دوم،
167
00:07:49,330 –> 00:07:52,289
بنابراین ستاره، نمودار فرعی PL TDOT خواهد بود
168
00:07:52,289 –> 00:07:55,120
و من به این دو
169
00:07:55,120 –> 00:07:57,250
پارامتر 1 کاما 2
170
00:07:57,250 –> 00:07:59,379
بنابراین یک سطر دو ستون داده میشود و این بار
171
00:07:59,379 –> 00:08:01,479
پشتیبانی دوم را فعال میکنم، بنابراین
172
00:08:01,479 –> 00:08:04,839
دو پارامتر را به شما اضافه میکنم حالا اجازه دهید این
173
00:08:04,839 –> 00:08:06,940
قطعه را اینجا کپی کنم و نمودار دوم را رسم کنم.
174
00:08:06,940 –> 00:08:08,889
بنابراین این بار X کاما
175
00:08:08,889 –> 00:08:13,479
y2 است و من در نهایت آن شکل را نشان میدهم، بنابراین
176
00:08:13,479 –> 00:08:16,599
PLT dot show اکنون اجازه دهید روی run alright کلیک کنم،
177
00:08:16,599 –> 00:08:21,400
بنابراین اکنون دو نمودار
178
00:08:21,400 –> 00:08:23,979
یا دو نمودار فرعی در همان شکل ایجاد کردهایم و
179
00:08:23,979 –> 00:08:25,389
اگر به این مقادیر این مقادیر را نگاه کنید.
180
00:08:25,389 –> 00:08:27,580
درست متفاوت هستند بنابراین مقادیر محور x
181
00:08:27,580 –> 00:08:30,189
یکسان هستند اما y1 و y2 در
182
00:08:30,189 –> 00:08:33,070
اینجا P تفاوت دارند محدوده I 1 از 525 و y2
183
00:08:33,070 –> 00:08:35,140
از حدود هفت نقطه پنج
184
00:08:35,140 –> 00:08:39,399
تا چهل متغیر است، بنابراین این نمودار خطی بود حالا
185
00:08:39,399 –> 00:08:40,899
اجازه دهید ادامه دهیم و ببینیم چگونه یک نمودار میله ای ایجاد کنیم،
186
00:08:40,899 –> 00:08:44,769
بنابراین اجازه دهید من اکنون در اینجا نمودار نوار را تایپ
187
00:08:44,769 –> 00:08:47,620
کنم تا این نمودار نوار را به روز کنم.
188
00:08:47,620 –> 00:08:50,260
اجازه دهید ابتدا مجموعه داده را پاک کنیم، بنابراین من ادامه می دهم
189
00:08:50,260 –> 00:08:51,850
و ابتدا یک فرهنگ لغت ایجاد می
190
00:08:51,850 –> 00:08:52,880
کنم و
191
00:08:52,880 –> 00:08:56,330
آن فرهنگ لغت را به عنوان میوه نام می برم، بنابراین برای
192
00:08:56,330 –> 00:08:58,610
ایجاد یک فرهنگ لغت، باید
193
00:08:58,610 –> 00:09:00,500
این پرانتزهای فرفری را بدهیم تا یک
194
00:09:00,500 –> 00:09:03,020
جفت مقدار کلیدی در یک فرهنگ لغت داشته باشیم. من
195
00:09:03,020 –> 00:09:04,880
اولین جفت ارزش کلیدی را تعیین می کنم، بنابراین بیایید
196
00:09:04,880 –> 00:09:09,170
ببینیم اولین میوه من سیب است و
197
00:09:09,170 –> 00:09:12,980
30 سیب وجود دارد، میوه دوم انبه است
198
00:09:12,980 –> 00:09:17,420
و بعد از آن 45 انبه وجود دارد که
199
00:09:17,420 –> 00:09:24,020
من موز دارم و حدود 10 عدد
200
00:09:24,020 –> 00:09:29,870
موز دارم. اکنون کاری که
201
00:09:29,870 –> 00:09:32,090
من انجام خواهم داد این است که کلیدهای جداگانه و مقادیر جداگانه را استخراج می کنم
202
00:09:32,090 –> 00:09:34,580
و آنها را در اشیاء جداگانه ذخیره می کنم،
203
00:09:34,580 –> 00:09:37,460
بنابراین در اینجا
204
00:09:37,460 –> 00:09:39,560
یک شی جدید ایجاد می کنم که در آن
205
00:09:39,560 –> 00:09:42,080
شی نام دارد و فقط کلیدها را
206
00:09:42,080 –> 00:09:45,050
از این فرهنگ لغت استخراج می کنم. من باید
207
00:09:45,050 –> 00:09:48,110
کلیدهای نقطه میوه را تایپ کنم
208
00:09:48,110 –> 00:09:48,740
و کلیدها و n را ذخیره می کنم ames
209
00:09:48,740 –> 00:09:51,320
به طور مشابه مقادیر را استخراج میکنم، بنابراین
210
00:09:51,320 –> 00:09:56,870
مقادیر و کمیت را ذخیره
211
00:09:56,870 –> 00:09:59,560
میکنم، بنابراین باید مقادیر نقطههای میوه را کاملاً تایپ کنم،
212
00:09:59,560 –> 00:10:03,410
بنابراین کلیدها را
213
00:10:03,410 –> 00:10:05,570
استخراج کردم، مقادیر را اکنون استخراج کردم، همچنین باید
214
00:10:05,570 –> 00:10:08,930
این را در آن ذخیره کنم. فرم یک لیست است، بنابراین
215
00:10:08,930 –> 00:10:11,690
اجازه دهید من فقط لیست را تایپ کنم و اجازه دهید
216
00:10:11,690 –> 00:10:16,340
این را برش دهم و اجازه دهید این را در یک لیست
217
00:10:16,340 –> 00:10:17,630
به طور مشابه تکه کنم.
218
00:10:17,630 –> 00:10:23,180
219
00:10:23,180 –> 00:10:25,040
من این را
220
00:10:25,040 –> 00:10:30,920
در لیست کاملاً درست می کنم، بنابراین ما
221
00:10:30,920 –> 00:10:32,540
فرهنگ لغت را ایجاد کرده ایم، اجازه دهید فقط
222
00:10:32,540 –> 00:10:34,850
نام ها و کمیت را روی تعداد نام های شما چاپ کنم تا نام
223
00:10:34,850 –> 00:10:40,340
224
00:10:40,340 –> 00:10:42,140
تک تک میوه ها و
225
00:10:42,140 –> 00:10:44,180
تعداد میوه ها را اکنون در اینجا داشته
226
00:10:44,180 –> 00:10:46,040
باشیم. ادامه میدهیم و این نمودار نواری
227
00:10:46,040 –> 00:10:48,230
را ایجاد میکنیم، بنابراین برای ایجاد نمودار نوار باید
228
00:10:48,230 –> 00:10:52,940
نوار نقطهای PLT را تایپ کنیم و این
229
00:10:52,940 –> 00:10:55,730
اساساً دو پارامتر دارد، بنابراین اولین
230
00:10:55,730 –> 00:10:57,500
پارامتر نام
231
00:10:57,500 –> 00:11:00,170
میوهها یا متغیر طبقهبندی است که
232
00:11:00,170 –> 00:11:02,600
شامل نامها میشود. و سپس
233
00:11:02,600 –> 00:11:05,130
ما مقادیر so مقادیر I را
234
00:11:05,130 –> 00:11:09,030
در کمیت اکنون بعد از t خواهیم داشت من
235
00:11:09,030 –> 00:11:13,380
فقط sopl d dot را کاملاً درست نشان میدهم، بنابراین ما
236
00:11:13,380 –> 00:11:15,210
با موفقیت این نمودار نواری را ایجاد
237
00:11:15,210 –> 00:11:17,670
کردیم که در آن نام میوهها در
238
00:11:17,670 –> 00:11:19,800
محور x و کیفیت میوهها
239
00:11:19,800 –> 00:11:23,610
در محور by وجود دارد، بنابراین دوباره این نمودار به راحتی
240
00:11:23,610 –> 00:11:25,650
کمک میکند. ما بفهمیم که
241
00:11:25,650 –> 00:11:27,330
مقدار عمده میوهها متعلق به
242
00:11:27,330 –> 00:11:29,370
انبه و کمترین مقدار
243
00:11:29,370 –> 00:11:32,040
میوهها متعلق به موز است، حالا اجازه دهید در
244
00:11:32,040 –> 00:11:33,900
واقع جلو برویم و
245
00:11:33,900 –> 00:11:38,180
این نوار را نیز سفارشی کنیم، بنابراین من فقط در
246
00:11:38,180 –> 00:11:43,740
سفارشیسازی طرح نوار تایپ میکنم و این را کپی میکنم. همین
247
00:11:43,740 –> 00:11:44,840
مورد در اینجا
248
00:11:44,840 –> 00:11:48,420
اکنون اجازه دهید یک عنوان برچسب محور x و برچسب محور y اضافه کنم
249
00:11:48,420 –> 00:11:54,990
تا عنوان نقطه BLD و عنوان را
250
00:11:54,990 –> 00:11:57,380
به عنوان
251
00:11:57,380 –> 00:12:04,920
توزیع میوه ها اختصاص دهم و سپس
252
00:12:04,920 –> 00:12:10,010
برچسب های محور x را به عنوان نقطه PLD دریافت کنم. برچسب X و
253
00:12:10,010 –> 00:12:14,370
برچسب محور x حاصل آن خواهد بود که
254
00:12:14,370 –> 00:12:16,710
من برچسب محور y را میدهم، بنابراین برچسب
255
00:12:16,710 –> 00:12:21,060
PLD نقطه y خواهد بود و این برچسب در
256
00:12:21,060 –> 00:12:25,350
حال حاضر مقدار خواهد بود، اجازه دهید من این را درست چاپ کنم
257
00:12:25,350 –> 00:12:27,690
تا ما آن را اضافه کنیم. عنوان ما
258
00:12:27,690 –> 00:12:30,240
برچسب های محور x را به برچسب محور y اضافه
259
00:12:30,240 –> 00:12:33,080
کرده ایم و اجازه دهید از رنگ آرگومان استفاده کنم
260
00:12:33,080 –> 00:12:39,030
و فرض میکنیم که نوار H یا نوار H به
261
00:12:39,030 –> 00:12:44,370
درستی داده میشود، بنابراین اجازه دهید در واقع این
262
00:12:44,370 –> 00:12:48,900
اولین نوار
263
00:12:48,900 –> 00:12:50,790
264
00:12:50,790 –> 00:12:52,860
نقطه BLT را تغییر دهم تا
265
00:12:52,860 –> 00:12:57,660
این را داشته باشیم. ابتدا داده ها و I و
266
00:12:57,660 –> 00:13:01,680
برخی مقادیر در اینجا، پس 20 30 40
267
00:13:01,680 –> 00:13:05,040
50 60 70 بنابراین یک رابطه
268
00:13:05,040 –> 00:13:07,110
بین X و a وجود دارد و همه آنها هستند که
269
00:13:07,110 –> 00:13:10,070
تعداد نقاط یکسان است،
270
00:13:10,950 –> 00:13:13,769
اجازه دهید من دوباره روی برچسب محور x قرار
271
00:13:13,769 –> 00:13:16,850
بگیرم. همان برچسب PLD dot X خواهد بود و
272
00:13:16,850 –> 00:13:20,190
من فقط X میشوم. اجازه دهید برچسب Y را اضافه کنم
273
00:13:20,190 –> 00:13:24,269
sopl T dot y label تا
274
00:13:24,269 –> 00:13:28,800
این e و B باشد حالا اجازه دهید این را
275
00:13:28,800 –> 00:13:31,139
درست چاپ کنم تا عنوان آنها را داشته باشیم.
276
00:13:31,139 –> 00:13:32,670
برچسب محور x را دریافت کردهایم و
277
00:13:32,670 –> 00:13:34,920
برچسب محور y را دریافت کردهایم حالا کاری که انجام میدهیم این
278
00:13:34,920 –> 00:13:37,889
است که اندازه این نقاط را به درستی تغییر میدهیم، بنابراین
279
00:13:37,889 –> 00:13:39,870
بیایید ببینیم چگونه میتوانیم این کار را انجام دهیم تا
280
00:13:39,870 –> 00:13:42,180
اندازه این نقاط را تغییر دهیم.
281
00:13:42,180 –> 00:13:44,790
ما یک پارامتر داریم که s است پس این
282
00:13:44,790 –> 00:13:47,279
مخفف اندازه است حالا اجازه دهید این
283
00:13:47,279 –> 00:13:49,889
را روی 200 تنظیم کنم و بیایید ببینیم درست چه اتفاقی می افتد
284
00:13:49,889 –> 00:13:52,680
تا ببینیم که اندازه این
285
00:13:52,680 –> 00:13:55,170
نقاط رابطه بین X را نشان می دهد.
286
00:13:55,170 –> 00:13:58,470
و ay به درستی تغییر کرده است، بنابراین این
287
00:13:58,470 –> 00:14:01,500
به 200 تغییر کرده است، حالا بیایید اندازه این نقاط را نیز تغییر دهیم،
288
00:14:01,500 –> 00:14:03,930
بنابراین من این را طوری تنظیم می
289
00:14:03,930 –> 00:14:08,910
کنم که فرض کنید s برابر است با 500 Oh ویدیو درست است،
290
00:14:08,910 –> 00:14:10,769
بنابراین ما اندازه هر دوی
291
00:14:10,769 –> 00:14:12,870
این نقاط را در اینجا تغییر می دهیم و همچنین می
292
00:14:12,870 –> 00:14:15,959
تواند شکل این نقاط را به درستی
293
00:14:15,959 –> 00:14:21,480
تغییر دهد، بنابراین من شکل آن را تغییر می دهم، بنابراین در
294
00:14:21,480 –> 00:14:24,449
اینجا برای تغییر شکل، این
295
00:14:24,449 –> 00:14:28,260
آرگومان را به عنوان نشانگر نامیده می شود و اجازه
296
00:14:28,260 –> 00:14:30,120
دهید مقدار سه را وارد کنم، بنابراین اگر
297
00:14:30,120 –> 00:14:32,490
مقدار 3 را به من دادم. اکنون به جای سه، این را در اینجا داشته باشید،
298
00:14:32,490 –> 00:14:34,440
بگذارید آن را یک قرار
299
00:14:34,440 –> 00:14:36,930
دهم و ببینیم به چه نتیجه ای می رسیم،
300
00:14:36,930 –> 00:14:39,360
بنابراین در اینجا این به سمت پایین متمایل شده است، حالا اجازه
301
00:14:39,360 –> 00:14:40,890
دهید مقدار دو را بدهم و بیایید ببینیم
302
00:14:40,890 –> 00:14:42,899
چه چیزی درست است، بنابراین این بار
303
00:14:42,899 –> 00:14:44,490
به سمت راست مایل شده است، بنابراین ما می توانیم
304
00:14:44,490 –> 00:14:46,560
نشانگرهای مختلف یا اشکال مختلفی
305
00:14:46,560 –> 00:14:49,560
برای این نقاط در اینجا داشته باشیم و
306
00:14:49,560 –> 00:14:51,870
همچنین می توانیم اندازه این شکل
307
00:14:51,870 –> 00:14:54,060
را در اینجا تغییر دهیم تا اندازه شکل تغییر کند،
308
00:14:54,060 –> 00:14:57,690
بنابراین در مورد روش نمودار
309
00:14:57,690 –> 00:15:04,649
باید در نقطه PLT استفاده کنیم. شکل اجازه دهید من
310
00:15:04,649 –> 00:15:06,540
فقط در PL شکل نقطه و
311
00:15:06,540 –> 00:15:08,579
سهام تایپ کنم s در پارامتری که نام آن
312
00:15:08,579 –> 00:15:11,819
اندازه ثابت است و من به آن یک تاپل میدهم، بنابراین
313
00:15:11,819 –> 00:15:14,610
اجازه دهید مقدار 10 کاما 10
314
00:15:14,610 –> 00:15:15,269
را در اینجا تعیین کنم،
315
00:15:15,269 –> 00:15:17,250
بنابراین در اینجا من
316
00:15:17,250 –> 00:15:21,329
اندازه این رقم را در حال حاضر
317
00:15:21,329 –> 00:15:23,860
بعد از این افزایش دادهام. ادامه دهید و
318
00:15:23,860 –> 00:15:26,200
با هندسه بعدی شروع کنید، بنابراین هندسه بعدی ما
319
00:15:26,200 –> 00:15:31,330
هیستوگرام شما خواهد بود، بنابراین اجازه
320
00:15:31,330 –> 00:15:33,190
دهید هیستوگرام رایج را در
321
00:15:33,190 –> 00:15:36,790
اینجا وارد کنم، اکنون اجازه دهید دوباره یک لیست ایجاد
322
00:15:36,790 –> 00:15:38,470
کنم تا n مقدار متفاوت برای
323
00:15:38,470 –> 00:15:40,300
لیست در اینجا بدهم تا اعداد محدوده شوند. از
324
00:15:40,300 –> 00:15:42,250
0 تا 9
325
00:15:42,250 –> 00:15:45,160
بنابراین من فقط یک را به 1 خود می دهم بیرون
326
00:15:45,160 –> 00:15:48,370
1 و سپس اجازه دهید ادامه دهم و
327
00:15:48,370 –> 00:15:52,269
به دادن مقادیر تصادفی بین 0 و
328
00:15:52,269 –> 00:15:59,230
9 7 5 4 3 ادامه
329
00:15:59,230 –> 00:16:00,730
دهم و دوباره 1 می دهم پس من فقط
330
00:16:00,730 –> 00:16:02,589
مطمئن شوید که فرکانس بیشتری
331
00:16:02,589 –> 00:16:07,720
از یک ها در اینجا وجود دارد، بنابراین این
332
00:16:07,720 –> 00:16:09,430
همه داده هایی است که
333
00:16:09,430 –> 00:16:11,470
به هیستوگرام وارد می شود و برای ایجاد یک
334
00:16:11,470 –> 00:16:14,769
هیستوگرام باید از روش PL d dot hist استفاده
335
00:16:14,769 –> 00:16:18,220
کنم و به آن منتقل خواهم کرد. دادههای داخل این اکنون
336
00:16:18,220 –> 00:16:20,829
برای نشان دادن تصویری که من دارم تایپ کنید PLD dot
337
00:16:20,829 –> 00:16:24,040
show اجازه دهید این را درست اجرا کنم تا ما
338
00:16:24,040 –> 00:16:26,200
موفق شویم. این هیستوگرام بنابراین
339
00:16:26,200 –> 00:16:28,000
این اساساً
340
00:16:28,000 –> 00:16:30,220
توزیع این داده ها را به ما می دهد و با کمک آن
341
00:16:30,220 –> 00:16:32,290
به راحتی می توانیم ببینیم که
342
00:16:32,290 –> 00:16:35,620
فرکانس یک بار بیشتر در این داده وجود دارد
343
00:16:35,620 –> 00:16:39,370
و بعد از آن ما سه داریم،
344
00:16:39,370 –> 00:16:43,570
درست بعد از یک، پنج داریم.
345
00:16:43,570 –> 00:16:45,040
فرکانس برای سه زیاد است و سپس
346
00:16:45,040 –> 00:16:47,920
فرکانس برای پنج راست وجود دارد و
347
00:16:47,920 –> 00:16:50,950
حتی یک هفت یا حتی
348
00:16:50,950 –> 00:16:53,860
یک متأسفانه وجود ندارد، در اینجا حتی یک هشت وجود ندارد،
349
00:16:53,860 –> 00:16:55,600
بنابراین این همان چیزی است که
350
00:16:55,600 –> 00:16:58,360
این شکاف به شما درست می گوید، بنابراین این چگونه
351
00:16:58,360 –> 00:17:00,430
میتوانید بینشهای مختلف را
352
00:17:00,430 –> 00:17:04,119
از یک هیستوگرام تفسیر کنید، اکنون دوباره خواهیم دید که چگونه
353
00:17:04,119 –> 00:17:06,579
میتوانیم یک هیستوگرام در بالای
354
00:17:06,579 –> 00:17:08,470
مجموعه داده ایجاد کنیم، بنابراین کاری که من انجام میدهم این است که
355
00:17:08,470 –> 00:17:10,630
ابتدا مجموعه داده iris را وارد
356
00:17:10,630 –> 00:17:13,089
کنم. به کتابخانه پانداها نیاز دارید،
357
00:17:13,089 –> 00:17:18,270
بنابراین من یک import را تایپ میکنم و
358
00:17:18,270 –> 00:17:22,179
سریعتر را پیدا میکنم، اجازه دهید ادامه دهم و
359
00:17:22,179 –> 00:17:26,079
مجموعه داده عنبیه را بارگیری کنم، بنابراین من PD dot read CSV را تایپ میکنم
360
00:17:26,079 –> 00:17:28,620
361
00:17:29,740 –> 00:17:32,980
و اجازه میدهم نام فایل
362
00:17:32,980 –> 00:17:36,820
را که IRS dot CSV است، بدهم. و من
363
00:17:36,820 –> 00:17:38,350
این را در یک شی جدید نشان می دهم و نام آن
364
00:17:38,350 –> 00:17:42,010
شی را iri می گذارم حالا اجازه بدهید
365
00:17:42,010 –> 00:17:43,570
نگاهی به سر فولاد بیاندازم، گفتم
366
00:17:43,570 –> 00:17:45,070
که این است که من یک نگاه به
367
00:17:45,070 –> 00:17:46,840
چند رکورد اولیه از دارایی فولاد خواهم داشت، بنابراین
368
00:17:46,840 –> 00:17:50,049
سر نقطه عنبیه و این مجموعه داده ما در
369
00:17:50,049 –> 00:17:53,470
اینجا است، اکنون متاسفم.
370
00:17:53,470 –> 00:17:55,210
میخواهم یک هیستوگرام برای این ستون طول کاسبرگ
371
00:17:55,210 –> 00:17:58,360
از این مجموعه داده عنبیه بسازم، بنابراین تنها کاری
372
00:17:58,360 –> 00:18:02,110
که باید انجام دهم این است که در PLT dot Hist تایپ
373
00:18:02,110 –> 00:18:04,840
کنم و دادهها را میدهم تا
374
00:18:04,840 –> 00:18:06,640
دادهها از این مجموعه داده عنبیه باشد،
375
00:18:06,640 –> 00:18:09,760
بنابراین تایپ کنم در عنبیه من در
376
00:18:09,760 –> 00:18:11,740
اینجا تکه تکه می دهم و اجازه دهید
377
00:18:11,740 –> 00:18:13,270
ستونی را که می خواهم برای آن
378
00:18:13,270 –> 00:18:15,429
هیستوگرام بسازم انتخاب کنم، بنابراین می خواهم یک
379
00:18:15,429 –> 00:18:17,500
هیستوگرام برای ستون طول کاسبرگ بسازم، بنابراین
380
00:18:17,500 –> 00:18:21,100
فقط طول کاسبرگ را تایپ می کنم.
381
00:18:21,100 –> 00:18:25,840
من این را اجرا می کنم به من اجازه دهید فقط نقطه BLD را
382
00:18:25,840 –> 00:18:29,409
درست نشان دهم، بنابراین ما با
383
00:18:29,409 –> 00:18:32,260
موفقیت یک هیستوگرام برای این
384
00:18:32,260 –> 00:18:34,659
ستون طول کاسبرگ از این مجموعه داده عنبیه ایجاد کردیم،
385
00:18:34,659 –> 00:18:36,730
بنابراین اساساً به ما می گوید که وقتی صحبت
386
00:18:36,730 –> 00:18:39,760
از طول کاسبرگ گل می شود
387
00:18:39,760 –> 00:18:41,799
، فرکانس بیشتری وجود دارد.
388
00:18:41,799 –> 00:18:44,020
برای طول کاسبرگ حدود شش نقطه پنج
389
00:18:44,020 –> 00:18:47,830
یا 5.5 یا می توانید ببینید که se
390
00:18:47,830 –> 00:18:49,659
طول کاسبرگ عمدتاً بین پنج
391
00:18:49,659 –> 00:18:52,149
تا شش نقطه پنج متغیر است و تعداد
392
00:18:52,149 –> 00:18:54,370
بسیار کمی از گلها وجود دارند که طول کاسبرگ
393
00:18:54,370 –> 00:18:57,210
آنها بیشتر از شش نقطه پنج باشد و
394
00:18:57,210 –> 00:18:59,770
آن دسته از گلهایی که طول کاسبرگشان هشت است و
395
00:18:59,770 –> 00:19:01,860
تقریباً وجود ندارند،
396
00:19:01,860 –> 00:19:05,020
در حال حاضر اجازه دهید در واقع برویم
397
00:19:05,020 –> 00:19:06,580
جلوتر و رنگ هیستوگرام را تغییر دهید،
398
00:19:06,580 –> 00:19:09,820
بنابراین من رنگی را در اینجا تایپ می
399
00:19:09,820 –> 00:19:12,809
کنم و رنگ را قرمز تعیین می کنم،
400
00:19:12,809 –> 00:19:14,830
بنابراین ما با موفقیت
401
00:19:14,830 –> 00:19:17,860
رنگ را تغییر دادیم، اکنون می توانیم
402
00:19:17,860 –> 00:19:20,409
تعداد پین ها را نیز در اینجا تغییر دهیم تا شما بدانید.
403
00:19:20,409 –> 00:19:21,970
توزیع را افزایش دهید،
404
00:19:21,970 –> 00:19:23,620
بنابراین تعداد خم ها را برابر با 30 عدد به
405
00:19:23,620 –> 00:19:26,770
سمت راست تنظیم می کنم، بنابراین می توانیم
406
00:19:26,770 –> 00:19:28,720
تعداد پین ها را نیز تغییر دهیم، حالا اجازه دهید
407
00:19:28,720 –> 00:19:30,309
تعداد پین ها را به صد تغییر دهم و
408
00:19:30,309 –> 00:19:32,260
ببینیم چه چیزی بدست می آوریم، بنابراین تایپ می کنم صد
409
00:19:32,260 –> 00:19:35,649
در اینجا درست است، بنابراین این یک توزیع درجه در هیستوگرام در حال حاضر به ما می دهد،
410
00:19:35,649 –> 00:19:38,710
411
00:19:38,710 –> 00:19:40,539
اجازه دهید در واقع آن را پنجاه نگه دارم،
412
00:19:40,539 –> 00:19:42,880
زیرا به نظر می رسد که پنجاه
413
00:19:42,880 –> 00:19:46,290
توزیع عالی برای ما در حال حاضر است،
414
00:19:46,290 –> 00:19:49,240
بله، بنابراین اساساً اینگونه است که می
415
00:19:49,240 –> 00:19:51,850
توانیم هیستوگرام ها را در پایتون o ایجاد کنیم. r با
416
00:19:51,850 –> 00:19:55,270
matplotlib اکنون پیش میرود، خواهیم دید که چگونه
417
00:19:55,270 –> 00:19:58,510
میتوانیم یک نمودار کادر ایجاد کنیم، بنابراین من
418
00:19:58,510 –> 00:20:01,780
فقط نمودار کادر را بر روی شما تایپ میکنم، حالا اجازه دهید
419
00:20:01,780 –> 00:20:04,390
پیش برویم و دادههایی را برای این نمودار جعبه
420
00:20:04,390 –> 00:20:08,380
ایجاد کنیم، بنابراین من سه لیست ایجاد میکنم.
421
00:20:08,380 –> 00:20:12,070
یک دو سه چهار پنج شش هفت
422
00:20:12,070 –> 00:20:14,380
هشت و نه تایپ کنید، بنابراین این اولین لیست ماست
423
00:20:14,380 –> 00:20:16,630
بعد از آن، من ادامه می دهم و لیست دوم را ایجاد می کنم
424
00:20:16,630 –> 00:20:18,190
تا زمانی که
425
00:20:18,190 –> 00:20:22,630
این مقادیر بین 1 و 5 باشد، بنابراین 1 2 3 4 5
426
00:20:22,630 –> 00:20:30,180
4 3 2 1 7 اجازه دهید فقط 5 6 7 8 9 را بشمارم
427
00:20:30,180 –> 00:20:32,830
درست اجازه دهید لیست دیگری را در
428
00:20:32,830 –> 00:20:36,840
اینجا ایجاد کنم و این مقادیر بین
429
00:20:36,840 –> 00:20:42,900
6 و 9 خواهد بود، بنابراین اجازه دهید 6 7 8 9 را تایپ کنم و
430
00:20:42,900 –> 00:20:47,800
8 7 6 5 وجود خواهد داشت، بنابراین من دارم مقادیر 1 2 3
431
00:20:47,800 –> 00:20:52,690
4 5 6 7 8 9 در اینجا درست است، بنابراین
432
00:20:52,690 –> 00:20:55,570
من اکنون داده های خود را آماده کرده ام،
433
00:20:55,570 –> 00:20:58,780
من لیستی از لیست ها را در اینجا ایجاد خواهم کرد تا داده ها برابر با
434
00:20:58,780 –> 00:21:04,980
لیست باشند و من فقط 1 2 و 3 را
435
00:21:04,980 –> 00:21:09,790
در داخل خود قرار می دهم. از PLT dot boxplot
436
00:21:09,790 –> 00:21:12,310
استفاده می کنم از این روش استفاده می کنم و فقط
437
00:21:12,310 –> 00:21:16,000
داده ها را دوباره در داخل آن ارسال می کنم تا
438
00:21:16,000 –> 00:21:19,290
نمودار کادر را نشان دهم. در PLT dot show درست قرار می دهم
439
00:21:19,290 –> 00:21:21,370
بنابراین ما با موفقیت
440
00:21:21,370 –> 00:21:24,580
جعبه خود را فریبنده در اینجا ایجاد کرده ایم.
441
00:21:24,580 –> 00:21:27,040
cally بیان می کند که توزیع بیشتری
442
00:21:27,040 –> 00:21:30,730
برای این داده 1 وجود دارد،
443
00:21:30,730 –> 00:21:33,340
بنابراین مقادیر این
444
00:21:33,340 –> 00:21:36,580
داده اساساً از 1 تا 9
445
00:21:36,580 –> 00:21:39,310
متغیر است و مقدار میانه آن 5 است، بنابراین این خطی که
446
00:21:39,310 –> 00:21:40,690
در مرکز کادر می بینید،
447
00:21:40,690 –> 00:21:42,400
اساساً نشان دهنده مقدار میانه است. و
448
00:21:42,400 –> 00:21:45,040
مقدار میانه برای این داده خوب است،
449
00:21:45,040 –> 00:21:47,260
پس ما این نمودار جعبه را داریم و این
450
00:21:47,260 –> 00:21:50,500
به ما می گوید که داده ها از 1
451
00:21:50,500 –> 00:21:51,230
و
452
00:21:51,230 –> 00:21:53,870
Costel پنج و مقدار میانه بله سه متغیر است
453
00:21:53,870 –> 00:21:56,600
و سپس ما این را داریم، بنابراین در اینجا
454
00:21:56,600 –> 00:21:58,400
هر چند نقطه داده از 4 شروع می شود.
455
00:21:58,400 –> 00:22:00,350
و به 9 می رسد و مقدار متوسط برای ای
456
00:22:00,350 –> 00:22:04,040
هفت درست است، اکنون شبیه به طر
457
00:22:04,040 –> 00:22:06,260
جعبه است، ما یک طرح ویولن نیز داریم، بنابراین تن
458
00:22:06,260 –> 00:22:07,880
ا تفاوت بین طرح جعبه به
459
00:22:07,880 –> 00:22:10,160
ک طرح ویولن این است که گوسفند مت
460
00:22:10,160 –> 00:22:12,799
اوت است، بنابراین جعبه جعبه شبیه به یک طرح است. جع
461
00:22:12,799 –> 00:22:14,690
و طرح ویولن شبیه ویولن است،
462
00:22:14,690 –> 00:22:15,860
بنابراین این تقریباً تنها
463
00:22:15,860 –> 00:22:17,870
تفاوت در جعبه
464
00:22:17,870 –> 00:22:21,200
ذخیره شده در طرح ویولن است، بنابراین من این را کپی می
465
00:22:21,200 –> 00:22:25,390
کنم و اکنون آن را اینجا می چسبانم
466
00:22:25,390 –> 00:22:28,070
تنها تغییر این است که باید بیش از
467
00:22:28,070 –> 00:22:30,320
اینجا به عنوان به جای طرح جعبه نقطه PLT
468
00:22:30,320 –> 00:22:34,299
باید در PL d نقطه طرح ویولن قرار دهم،
469
00:22:34,299 –> 00:22:36,919
بنابراین این چیزی است که ما روی شما داریم،
470
00:22:36,919 –> 00:22:38,750
پس این همان چیزی است
471
00:22:38,750 –> 00:22:40,910
که فقط این سه شکل آنها به
472
00:22:40,910 –> 00:22:42,620
جای جعبه به شکل یک ویولن هستند.
473
00:22:42,620 –> 00:22:45,470
و همچنین میتوانیم یک شبکه به دادههای
474
00:22:45,470 –> 00:22:49,280
خود اضافه کنیم، بنابراین برای افزودن یک شبکه، باید از شبکه PL d
475
00:22:49,280 –> 00:22:53,510
dot استفاده کنم و سپس مقدار را
476
00:22:53,510 –> 00:22:57,290
برابر با true تنظیم کنیم، بنابراین به این صورت است که میتوانیم
477
00:22:57,290 –> 00:22:59,740
یک نمره به نمودار اضافه کنیم.
478
00:22:59,740 –> 00:23:05,270
همچنین عنوان را به این اضافه کنید، بنابراین من فقط عنوان PL
479
00:23:05,270 –> 00:23:09,080
d dot را قرار می دهم و اجازه دهید عنوان را
480
00:23:09,080 –> 00:23:16,070
برای توزیع داده ها قرار دهم، اجازه دهید در برچسب X قرار دهم،
481
00:23:16,070 –> 00:23:21,110
بنابراین PL T نقطه X برچسب و اجازه
482
00:23:21,110 –> 00:23:25,940
دهید فقط این را به عنوان x قرار دهم. محور و اجازه دهید
483
00:23:25,940 –> 00:23:28,669
در اینجا برچسب چرا را نیز ارائه کنم، بنابراین
484
00:23:28,669 –> 00:23:32,990
برچسب PL d نقطه Y و این می تواند
485
00:23:32,990 –> 00:23:36,049
محور y باشد، بنابراین ما با
486
00:23:36,049 –> 00:23:38,630
موفقیت عنوان برچسب محور x و
487
00:23:38,630 –> 00:23:41,330
برچسب محور y را اکنون شبیه