تصوير الارتباط بين المتغيرات باستخدام بايثون Python

لتصوير الارتباط (correlation) بين المتغيرات باستخدام بايثون، سوف نستخدم مكتبة: seaborn وهي مكتبة متخصصة في تصوير البيانات في بايثون وتعمل بالاعتماد على المكتبة المعروفة matplotlib. تتميز مكتبة: seaborn  بقدرتها على انتاج رسوم بيانية جذابة ومبتكرة. في البداية سوف نستخدم البيانات: mydata. حيث يمكن استيرادها بعد تحميلها كما يلي:

In:
import pandas as pd
mydata = pd.read_csv('mydata.csv',sep=',')

يمكن تصوير الارتباط بين المتغيرات بعدة طرق منها:

اولاً: تصوير مصفوفة الارتباط (correlation matrix)

ويمكن ذلك من خلال الكود التالي:

In:
import seaborn as sns
import matplotlib.pyplot as plt

corr_coef = mydata.corr(method= 'pearson').round(2)
f, ax = plt.subplots(figsize=(5, 5))

C=sns.diverging_palette(10, 150, as_cmap=True)

sns.heatmap(corr_coef, cmap=C,vmin=-1, vmax=1,
            center=0,annot=True,cbar_kws={"shrink": .7})

والذي يعطي الشكل التالي:

الدالة ()corr يمكن أن تأخد اساليب مختلفة من الإرتباط وهي:

method =’pearson’ or ‘kendall’ or ‘spearman’

حسب نوع البيانات. ويمكن التعديل على الكود السابق كما يلي:

In:
import numpy as np

corr_coef = mydata.corr(method= 'pearson').round(2)
f, ax = plt.subplots(figsize=(5, 5))

M = np.zeros_like(corr_coef, dtype=np.bool)
M[np.triu_indices_from(M)] = True

C=sns.diverging_palette(10, 150, as_cmap=True)

sns.heatmap(corr_coef,mask=M, cmap=C, vmin=-1, vmax=1,
            center=0,annot=True,cbar_kws={"shrink": .7})

وبالتالي يعطي الشكل التالي:

ثانياً: بواسطة correlogram

ويمكن ذلك من خلال الدالة التالية:

In:
sns.pairplot(mydata)

والتي تعطي الرسوم البيانية التالية:

ويمكن التعديل على الدالة السابقة كما يلي:

In:
sns.pairplot(mydata, diag_kind="kde")

وبالتالي تعطي الرسوم البيانية التالية: