双变量 CDF/CCDF 分布 Python

Question

我正在尝试绘制具有x 和y 值的数据集的二元ccdf。

单变量我可以很好地绘制，下面是输入，代码是单变量数据集。

输入：这些只是数据点的前 20 行。输入有 1000 行，其中 col[1] 和 col[3] 需要绘制，因为它们具有用户和关键字频率关系。

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

代码：统一数据集

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()

我正在为双变量数据点寻找一些选项。我提到了Seaborn Bivariate Distribution，但我无法将它与我的数据集放在适当的上下文中。

欢迎在 python、matplotlib、seaborn 中提出任何替代建议。 提前致谢。

Answer 1

您尝试描述的双变量分布通常是连续的，例如房屋的大小（输入，x）和价格（输出，y）。在您的情况下，没有有意义的关系（我认为）在关键字的编号中，因为它可能只是分配给关键字的 ID 对吗？

在我看来，您似乎有类别（关键字）。每个类别似乎有两个数字 tweetcricscore 和 keyword 数字。 \

你的代码在这里：

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

对我来说，您的 x 范围只是它们的标签，而不是有意义的值。

可以找到更好的分类图来源here。

要创建二元分布，假设您仍然希望阅读该分布，您可以使用您的数据作为示例，使用上面的数据执行以下操作：

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)

这里产生了非常荒谬的数字：

您必须手动添加 x 和 y 标签；这是因为您传递的是 numpy arrays 而不是 pandas Dataframes 这可以被认为是 dictionaries 其中字典中的每个键是列的标题，值是 numpy 数组.

使用随机数来展示它在更随机、连续、相关的数据集下的外观。

这是取自文档的示例。

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);

这给出了这个：

图表顶部的条形图可以被认为是单变量图表（您可能已经生成了），因为它们只描述了一个或另一个变量（x、或 y、col_3 或 col_1）的分布