Упражнение. Анализ данных с использованием Seaborn

  • 5 мин

Одна из замечательных особенностей записных книжек Azure и Python в целом — это наличие тысяч библиотек с открытым кодом, которые можно использовать для выполнения сложных задач без написания большого объема кода. В этом модуле вы будете использовать Seaborn, библиотеку для статистической визуализации, чтобы построить второй из двух наборов данных, который вы загрузили, охватывающий период с 1882 по 2014 год. Seaborn может создать линию регрессии с проекцией, показывающей, где должны размещаться точки данных на основе регрессии, с одним простым вызовом функции.

  1. Поместите курсор в пустую ячейку внизу записной книжки. Измените тип ячейки на Markdown и введите "Выполнить линейную регрессию с Seaborn" как текст.

  2. Добавьте ячейку для кода и вставьте следующий код.

    plt.scatter(years, mean)
plt.title('scatter plot of mean temp difference vs year')
plt.xlabel('years', fontsize=12)
plt.ylabel('mean temp difference', fontsize=12)
sns.regplot(yearsBase, meanBase)
plt.show()

  3. Запустите ячейку кода, чтобы создать точечную диаграмму с линией регрессии и визуальным представлением диапазона, в который должны попадать точки данных.

    Сравнение фактических и прогнозных значений, созданное с помощью Seaborn.

    Сравнение фактических и прогнозных значений, созданных с помощью Seaborn

Обратите внимание, что точки данных за первые 100 лет соответствуют прогнозируемым значениям, а примерно с 1980 года — нет. Именно на таких моделях ученые строят предположения об ускорении изменения климата.