Lær AI med Python · leksjon

Bivariat og multivariat analyse

Spredningsdiagrammer, parvise diagrammer, varmekart for korrelasjon og grupperte statistikker.

Leksjon 3 av 413 trinn

Bivariat og multivariat analyse er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 3 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.

Fra én variabel til flere

Bivariat analyse studerer forholdet mellom to variabler, mens multivariat analyse ser på flere samtidig.

Målet er å finne ut hvilke features som varierer sammen, oppdage samspill og avgjøre hvilke variabler som predikerer målvariabelen.

Spredningsdiagrammer med plt.scatter

Et spredningsdiagram plotter to numeriske variabler mot hverandre – hvert punkt representerer én rad. Det viser trender, klynger og uteliggere.

import matplotlib.pyplot as plt
import seaborn as sns

plt.scatter(df["height"], df["weight"], alpha=0.4)
plt.xlabel("Height")
plt.ylabel("Weight")
plt.show()

Tolke et spredningsdiagram

Se etter retningen (oppover = positivt forhold, nedover = negativt), styrken (et tett bånd versus en spredt sky) og formen (lineær versus buet).

Legg til en hue med sns.scatterplot for å fargelegge punktene etter kategori og synliggjøre gruppestrukturen.

sns.scatterplot(x="height", y="weight", hue="gender", data=df, alpha=0.5)
plt.show()

Korrelasjon med df.corr()

df.corr() beregner den parvise Pearson-korrelasjonen mellom numeriske kolonner: et tall fra -1 til +1.

+1 → perfekt positivt lineært forhold
0 → ikke noe lineært forhold
-1 → perfekt negativt lineært forhold

corr = df.corr(numeric_only=True)
print(corr["price"].sort_values(ascending=False))

Korrelasjonsvarmekart

En korrelasjonsmatrise er enklere å lese som et varmekart. Angi annot=True for å skrive ut verdiene i hver celle.

Bruk et divergerende fargekart (for eksempel coolwarm) slik at positive og negative korrelasjoner får ulike farger.

corr = df.corr(numeric_only=True)
sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm", center=0)
plt.show()

Oppdage multikollinearitet

Når to features har svært høy korrelasjon (for eksempel > 0,9), inneholder de overflødig informasjon. Dette kalles multikollinearitet og kan gjøre lineære modeller ustabile.

Varmekartet gjør det enkelt å oppdage par med overflødig informasjon, slik at du kan fjerne den ene.

corr = df.corr(numeric_only=True).abs()
high = corr[(corr > 0.9) & (corr < 1.0)]
print(high.dropna(how="all"))

Korrelasjon er ikke det samme som årsakssammenheng

En sterk korrelasjon betyr ikke at den ene variabelen forårsaker den andre. Begge kan være påvirket av en skjult tredje variabel, eller sammenhengen kan være tilfeldig.

Bruk korrelasjon til å formulere hypoteser, og valider dem deretter med domenekunnskap og kontrollert analyse.

Pairplot med sns.pairplot

sns.pairplot tegner et rutenett med spredningsdiagrammer for hvert par av numeriske kolonner, med histogrammer eller KDE-diagrammer på diagonalen.

Det er den raskeste måten å få et overblikk over alle bivariate forhold på samtidig. Begrens antallet kolonner i store datasett – beregningen øker kvadratisk med antall kolonner.

sns.pairplot(df[["height", "weight", "age", "income"]], hue="gender")
plt.show()

Grupperte boxplot

For å knytte en numerisk variabel til en kategorisk variabel legger du kategorien på x-aksen i et boxplot. Da kan du umiddelbart sammenligne fordelingene på tvers av grupper.

sns.boxplot(x="city", y="income", data=df)
plt.xticks(rotation=45)
plt.show()

Grupperte aggregasjoner

Tall utfyller diagrammene. groupby sammen med agg oppsummerer en numerisk kolonne på tvers av kategorier.

Dette er multivariat analyse i tabellform – sammenlign gjennomsnitt, medianer og antall side om side.

summary = df.groupby("city")["income"].agg(["mean", "median", "count"])
print(summary.sort_values("mean", ascending=False))

Multivariate diagrammer med visuelle kodinger

Du kan få plass til tre eller flere variabler i ett diagram ved hjelp av visuelle kodinger: x, y, farge (hue) og størrelse.

Dette viser hvordan forhold endrer seg langs en tredje dimensjon uten at du må lage separate diagrammer.

sns.scatterplot(x="height", y="weight", hue="age", size="income", data=df)
plt.show()

Hurtigsjekk: korrelasjonsområde

Du kjører df.corr() og ser verdien -0.85 mellom to features.

Besvar den i den interaktive leksjonen

Oppsummering: Bivariat og multivariat analyse

Du kan nå utforske forhold mellom variabler:

plt.scatter / sns.scatterplot for to numeriske variabler
df.corr() + sns.heatmap(annot=True) for korrelasjonsmatrisen
Høye korrelasjoner avslører multikollinearitet (fjern overflødige features)
sns.pairplot for en oversikt over alle par
Grupperte boxplot og groupby().agg() for numeriske og kategoriske variabler

Deretter knytter vi features direkte til prediksjonsmålet.

Gratis å komme i gang

Lær deg Python med en AI-veileder – gratis

Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.

Kurs: 53
Leksjoner: 225

Start læringen gratis Se hele kurset

Ofte stilte spørsmål

Er leksjonen «Bivariat og multivariat analyse» gratis?

Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Bivariat og multivariat analyse», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.

Hva lærer jeg i «Bivariat og multivariat analyse»?

Spredningsdiagrammer, parvise diagrammer, varmekart for korrelasjon og grupperte statistikker. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.

Trenger jeg erfaring for å begynne med Lær AI med Python?

Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 3 av 4.

Hvor lang tid tar leksjonen «Bivariat og multivariat analyse»?

De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.

Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?

Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.

Alle leksjonene i dette kurset

Arbeidsflyt for EDA og dataprofiler
Univariat analyse
Bivariat og multivariat analyse
Analyse av egenskapsfordeling og målvariabel

← Tilbake til Lær AI med Python