第十四周作业

最新推荐文章于 2019-05-31 15:22:00 发布

ppjustin

最新推荐文章于 2019-05-31 15:22:00 发布

阅读量207

点赞数

本文链接：https://blog.csdn.net/ppjustin/article/details/80667876

版权

本文通过Python的统计与可视化库对Anscombe四组数据进行深入分析，包括计算并展示每组数据中x与y变量的平均值、方差及相关系数，并分别拟合了四条线性回归线。此外，还使用seaborn库进行了数据可视化，直观地展示了四组数据的分布情况。

摘要由CSDN通过智能技术生成

代码：

#matplotlib inline

import random

import numpy as np
import scipy as sp
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

import statsmodels.api as sm
import statsmodels.formula.api as smf
import statistics as sta 
import scipy.stats.stats as stats

anascombe = sns.load_dataset("anscombe")
#显示平均数
print("the mean of x and y are:")
print(anascombe.groupby('dataset')['x','y'].mean())
print("\n")

#显示方差
print("the variance of x and y are:")
print(anascombe.groupby('dataset')['x', 'y'].var()) 
print("\n")

print("the correlation coefficient between x and y are:")
print(anascombe.groupby('dataset').corr())
print("\n")

print("the first linear regression line:")
lin_model_1 = smf.ols('y ~ x', anascombe.groupby('dataset').get_group('I')).fit()
print(lin_model_1.params)
print("\n")
print("the second linear regression line:")
lin_model_2 = smf.ols('y ~ x', anascombe.groupby('dataset').get_group('II')).fit()
print(lin_model_2.params)
print("\n")
print("the third linear regression line:")
lin_model_3 = smf.ols('y ~ x', anascombe.groupby('dataset').get_group('III')).fit()
print(lin_model_3.params)
print("\n")
print("the fourth linear regression line:")
lin_model_4 = smf.ols('y ~ x', anascombe.groupby('dataset').get_group('IV')).fit()
print(lin_model_4.params)

#part2
#数据可视化
sns.set(style='whitegrid')      
g = sns.FacetGrid(anascombe, col="dataset")  
g.map(plt.scatter, "x","y")  
plt.show()

part 1运行结果：