Övning – Analysera data med Seaborn

  • 5 minuter

En av de häftiga sakerna med Azure Notebooks – och Python i allmänhet – är att det finns tusentals bibliotek med öppen källkod som du kan använda för att utföra komplexa uppgifter utan att behöva skriva en massa kod. I den här enheten ska du använda Seaborn, ett bibliotek för statistisk visualisering, för att rita den andra av de två datauppsättningarna som du läste in. Den omfattar år 1882 till 2014. Seaborn kan skapa en regressionslinje som följs av en projektion som visar var datapunkterna skulle falla baserat på regressionen med ett enkelt funktionsanrop.

  1. Placera markören i den tomma cellen längst ned i notebook-filen. Ändra celltypen till Markdown och ange ”Perform linear regression with Seaborn” (Utför linjär regression med Seaborn) som text.

  2. Lägg till en kodcell och klistra in följande kod.

    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. Kör kodcellen för att skapa ett punktdiagram med en regressionslinje och en visuell representation av intervallet som innehåller datapunkterna som förväntas sjunka.

    Jämförelse av faktiska värden och förutsagda värden som genereras med Seaborn.

    Jämförelse mellan faktiska värden och förväntade värden som skapats med Seaborn

Observera hur datapunkterna för de första 100 åren snyggt motsvarar de förutsagda värdena, medan datapunkterna från ungefär 1980 inte gör det. Det är modeller som de här som gör att forskare tror att klimatförändringarna går snabbare.