Bivariate CDF/CCDF Distribution Python

Question

Я пытаюсь построить двумерный ccdf набора данных, который имеет x и y значения обоих.

Univariate Я могу построить очень хорошо, ниже вход и код для унифицированного набора данных.

Ввод: Это только первые 20 строк точек данных. Ввод содержит 1000 строк, из которых col[1] и col[3] необходимо отобразить, так как они имеют отношение частоты пользователей и ключевых слов.

tweetcricscore 34 #afgvssco 51 
tweetcricscore 23 #afgvszim 46 
tweetcricscore 24 #banvsire 12 
tweetcricscore 456 #banvsned 46 
tweetcricscore 653 #canvsnk 1 
tweetcricscore 789 #cricket 178 
tweetcricscore 625 #engvswi 46 
tweetcricscore 86 #hkvssco 23 
tweetcricscore 3 #indvsban 1 
tweetcricscore 87 #sausvsvic 8 
tweetcricscore 98 #wt20  56 

Код: univeriate набор данных

import numpy as np 
import matplotlib.pyplot as plt 
from pylab import* 
import math 
from matplotlib.ticker import LogLocator 

data = np.genfromtxt('keyword.csv', delimiter=',', comments=None) 

d0=data[:,1] 
X0 = np.sort(d0) 
cdf0 = np.arange(len(X0))/float(len(X0)) 
ccdf0 = 1 - cdf0 
plt.plot(X0,ccdf0, color='b', marker='.', label='Keywords') 

plt.legend(loc='upper right') 
plt.xlabel('Freq (x)') 
plt.ylabel('ccdf(x)') 
plt.gca().set_xscale("log") 
#plt.gca().set_yscale("log") 
plt.show() 

Я ищу какой-то вариант для двумерных точек данных. Я ссылался на Seaborn Bivariate Distribution Но я не могу привести его в надлежащий контекст с моим набором данных.

Любое альтернативное предложение в пределах python, matplotlib, seaborn приветствуется .. Заранее спасибо.

Answer 1

Бивариантные распределения, которые вы пытаетесь описать, часто непрерывны, например размер дома (вход, x) и его цена (выход, y.). В вашем случае нет значимых отношений (я думаю,) в числе ключевых слов, так как это, вероятно, просто идентификатор, присвоенный ключевому слову, право?

В вашем случае мне кажется, что у вас есть категории (ключевые слова). каждая категория, по-видимому, имеет два числа a tweetcricscore и номер keyword. \

Ваш код здесь:

cdf0 = np.arange(len(X0))/float(len(X0)) 

мне предположить, что ваши х диапазоны только их метки и не значимая ценность.

Лучший источник для категориальных участков можно найти here.

Чтобы создать двумерное распределение, при условии, что все-таки то, что вы хотите, прочитав это, вы могли бы сделать следующее, используя свои данные в качестве примера, используя данные из выше:

import numpy as np 
import seaborn as sns 

col_1 = np.array([34, 23, 24, 456, 653, 789, 625, 86, 3, 87, 98]) 
col_3 = np.array([51, 46, 12, 46, 1, 178, 46, 23, 1, 8, 56]) 

sns.jointplot(x=col_3, y=col_1) 

который производит очень бессмысленными рисунок здесь:

Вы должны добавить х и у меток вручную; это потому, что вы проезжаете array s вместо pandasDataframes, о котором можно думать как dictionaries, где каждый ключ в словаре - это заголовок столбца, а значение - массив numpy.

Использование случайных чисел, чтобы показать, как это может выглядеть с более случайным, непрерывным, связанным набором данных.

Это пример, взятый из документов.

import numpy as np 
import seaborn as sns 
import pandas as pd 

mean, cov = [0, 1], [(1, .5), (.5, 1)] 
data = np.random.multivariate_normal(mean, cov, 200) 
df = pd.DataFrame(data, columns=["x", "y"]) 
sns.jointplot(x="x", y="y", data=df); 

Что дает это:

Гистограмма на верхней части диаграммы можно рассматривать как однотонный мерный карт (то, что вы, вероятно, произвели), потому что они просто описывают распределение одна или другая переменная (x или y, col_3 или col_1)