seaborn pairplot 中的稳健统计线性回归答案

【问题标题】：Robust statistics linear regression in seaborn pairplotseaborn pairplot 中的稳健统计线性回归
【发布时间】：2016-08-25 00:15:02
【问题描述】：

尝试实现稳健的统计数据而不是普通最小二乘 (OLS) 拟合，这样离群值对我来说就不是问题了。我希望在 seaborn 的 pairplot 函数中实现这一点，但从 AP 文档中看不到和添加它的简单方法，因为似乎没有适合的关键字参数。

来自：scipy lectures 他们建议使用以下内容，但我猜那是用于 regplot 的地方，您可以使用

`fit = statsmodels.formula.api.rlm()`

这里是一些示例代码

import seaborn as sns; sns.set(style="ticks", color_codes=True)
import matplotlib.pyplot as plt
%matplotlib inline
iris = sns.load_dataset("iris")
sns.pairplot(iris, kind="reg")#, robust = True)
plt.show()

提前致谢！

编辑：我找到了一种解决方法，但显然松开了可以在 pairplot 上完成的“色调”功能。为pairplot添加强大的选项将是一个不错的功能。代码：

def corrfunc(x, y, **kws): 
    r, _ = stats.pearsonr(x, y) 
    ax = plt.gca() 
    ax.annotate("r = {:.2f}".format(r), xy=(.1, .9), xycoords=ax.transAxes) 

g = sns.PairGrid(df1, palette=["red"]) 
g.map_upper(sns.regplot, robust = True) 
g.map_diag(sns.distplot, kde=True) 
g.map_lower(sns.kdeplot, cmap="Blues_d") 
g.map_lower(corrfunc)

【问题讨论】：

我找到了一种解决方法，但显然松开了可以在 pairplot 上完成的“色调”功能。为pairplot添加强大的选项将是一个不错的功能。代码：` def corrfunc(x, y, **kws): r, _ = stats.pearsonr(x, y) ax = plt.gca() ax.annotate("r = {:.2f}".format( r), xy=(.1, .9), xycoords=ax.transAxes) g = sns.PairGrid(df1, palette=["red"]) g.map_upper(sns.regplot, robust = True) g.map_diag (sns.distplot, kde=True) g.map_lower(sns.kdeplot, cmap="Blues_d") g.map_lower(corrfunc) `
在您的解决方法中，您可以使用 g = sns.PairGrid(df1, hue='species') 包含色调

标签： statistics linear-regression seaborn

【解决方案1】：

额外的关键字，例如“robust = True”可以通过 plot_kws 参数传递给 regplot：

sns.pairplot(df1,kind='reg',hue='species',plot_kws=dict(robust=True,n_boot=50))

注意：在此示例中，我还减少了 n_boot 以减少运行时间（请参阅 regplot 文档中的“稳健”），因此置信区间可能不正确）。

【讨论】：