Příklad - spropitné¶
Data z roku 1995 o výše spropitného v jedné restauraci v USA
Data obsahují 244 a 7 proměnných:
- Spropitné v dolarech (
tip) - Útrata v dolarech (
total_bill) - Pohlaví platce účtu (
sex) - Jsou ve skupině kuřáci? (
smoker) - Den v tydnu (
day) - Čas (
time) - oběd nebo večeře - Velikost skupiny (
size)
Seznámení s daty¶
In [1]:
# Importování knihoven
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
# Následujicí řádek je potřeba pro zobrazení matplotlib grafů v Jupyter notebooku
%matplotlib inline
# Nastavit styl grafu
plt.style.use('seaborn')
In [2]:
# Načtení dat
data = sns.load_dataset("tips")
data.head()
Out[2]:
In [3]:
# V jakém formátu jsou sloupce?
data.dtypes
Out[3]:
In [4]:
# Kolik je řádků a sloupců?
data.shape
Out[4]:
In [5]:
# Které sloupce mají chybějící hodnoty?
data.columns[data.isnull().any()]
Out[5]:
In [6]:
# Udělat popisnou statistiku dat
data.describe(include='all')
Out[6]:
Data¶
Chceme zjistit závislost spropitného na různých proměnných.
Budeme vizualizovat jenom ty proměnné, kde vidíme nějakou větší závislost.
Pro kategorické proměnné použijeme groupby, pro numerické - korelaci (corr)
In [7]:
# Velikost spropitného v závislosti na pohlaví
data.groupby('sex').tip.mean()
Out[7]:
In [9]:
# Velikost spropitného v závislosti na tom, zda jsou ve skupině kuřáci
data.groupby('smoker').tip.mean()
Out[9]:
In [11]:
# Velikost spropitného v závislosti na čase jídla
data.groupby('time').tip.mean()
Out[11]:
In [13]:
# Velikost spropitného v závislosti na dni
data.groupby('day').tip.mean()
Out[13]:
In [14]:
# Vytvoříme koreláční matici pro numerické proměnné
data.corr(method='spearman')
Out[14]:
Mapování¶
Budeme vizualizovat výše spropitného (tip, spojítá proměnná) v závislosti na těchto proměnných:
- Den v týdnu (
day) - kategorická proměnná - Pohlaví platce účtu (
sex) - kategorická proměnná - Čas placení učtu (
time) - kategorická proměnná - Velikost skupiny hostů (
size) - ordinální proměnná - Útrata v dolarech (
total_bill) - spojítá proměnná
Geometrické objekty¶
Rozhodnout, jaké grafy použit podle toho, jestli chci ukázat:
- Distribuci hodnot jedné proměnné
- Vztah dvou spojitých proměnných
- Vztah kategorické a spojité proměnné
- Vztah dvou kategorických proměnných
První graf:¶
- X-
day, Y -tip, barva -sex - Bodový (
sns.catplot)
Druhý graf:¶
- X-
total_bill, Y -tip - Bodový (
sns.regplot)
Třetí graf¶
- X -
time, Y -tip - Krabicový (
sns.boxenplot)
Čtvrtý graf¶
- X -
size, Y -tip - Sloupcový (
plt.bar)
Transformace¶
- Podívat na rozsah dat
In [15]:
# Pro každý sloupec zobrazit popisnou statistiku
data.describe(include='all')
Out[15]:
Z popisné statistiky lze vidět, že spojite proměnné mají zhrůba stejný rozsah hodnot. Data neobsahují chybějící hodnoty. Proto alespoň prozatím data nechám v původním stavu.
In [16]:
# Abychom zobrazili sloupcový graf, potřebujeme zagregovat data
data.groupby('size').tip.mean()
Out[16]:
Stupnice¶
V prvním grafu (x - day, y - tip) použijeme barvu k rozdělení spropitného zaplaceného muži a ženami
Statistika¶
Ve druhém grafu zobrazíme meze spolehlivosti a regresní přímku.
In [17]:
# První graf
def first_plot():
g = sns.catplot(x='day', y='tip', hue='sex', data=data, palette="dark", height=9, aspect=9/6, s=15, alpha=0.7)
plt.title('Velikost spropitného v závislosti na dni v týdnu', fontdict=dict(fontsize=20))
plt.xlabel('Den v týdnu', fontdict=dict(fontsize=20))
plt.ylabel('Spropitné, USD', fontdict=dict(fontsize=20))
g._legend.set_title('Pohlaví')
new_labels = ['Muž', 'Žena']
g.set_xticklabels(['Čtvrtek', 'Pátek', 'Sobota', 'Neděle'], fontdict=dict(fontsize=20))
for t, l in zip(g._legend.texts, new_labels): t.set_text(l)
In [18]:
first_plot()
In [19]:
# Druhý graf
fig, ax = plt.subplots(figsize=(10, 6), dpi= 80)
sns.regplot(x='total_bill', y='tip', data=data)
plt.title('Velikost spropitného v závislosti na celkové útratě', fontdict=dict(fontsize=20))
plt.xlabel('Celková útrata', fontdict=dict(fontsize=20))
plt.ylabel('Spropitné, USD', fontdict=dict(fontsize=20))
plt.show()
In [20]:
# Třetí graf
fig, ax = plt.subplots(figsize=(10, 6), dpi= 80)
sns.boxenplot(x='time', y='tip', data=data)
plt.title('Velikost spropitného v závislosti na čase platby', fontdict=dict(fontsize=20))
plt.xlabel('Čas', fontdict=dict(fontsize=20))
plt.ylabel('Spropitné, USD', fontdict=dict(fontsize=20))
ax.set_xticklabels(['Oběd', 'Večeře'], fontdict=dict(fontsize=20))
plt.show()
In [21]:
# Čtvrtý graf
fig, ax = plt.subplots(figsize=(10,6), dpi= 80)
plt.bar(x=data.groupby('size').tip.mean().index, height=data.groupby('size').tip.mean(), color='#279899')
plt.title('Velikost spropitného v závislosti na velikosti skupiny', fontdict=dict(fontsize=20))
plt.xlabel('Velikost skupiny', fontdict=dict(fontsize=20))
plt.ylabel('Spropitné, USD', fontdict=dict(fontsize=20))
matplotlib.rcParams.update({'font.size': 22})
plt.show()
Cvičení¶
Liší se relativní velikost spropitného mezi obědem a večeří?