ฮิสโตแกรมและแผนภาพกระจาย

ฮิสโตแกรมและแผนภาพกระจายเป็นเครื่องมือสำคัญสำหรับวิเคราะห์และแสดงการกระจายของข้อมูลและความสัมพันธ์ระหว่างข้อมูล

ฮิสโตแกรมแสดงการแจกแจงความถี่ของข้อมูล ขณะที่แผนภาพกระจายแสดงความสัมพันธ์ระหว่างตัวแปรสองตัว

ทำความเข้าใจฮิสโตแกรม

ฮิสโตแกรมจัดกลุ่มข้อมูลลงในช่วงย่อยและแสดงความถี่ที่ข้อมูลในแต่ละช่วงค่าเกิดขึ้น ความสูงของแท่งแต่ละแท่งแสดงถึงความถี่

ตัวอย่างเช่น ฮิสโตแกรมสามารถแสดงการกระจายของอายุในประชากรกลุ่มหนึ่งได้

ตัวอย่างฮิสโตแกรม

สมมติว่าเรามีข้อมูลอายุของคน 100 คน ฮิสโตแกรมช่วยให้เราเข้าใจได้ว่าอายุเหล่านี้กระจายอยู่ในช่วงต่าง ๆ อย่างไร

ทำความเข้าใจแผนภาพกระจาย

แผนภาพกระจายแสดงจุดข้อมูลบนระนาบสองมิติ แต่ละจุดแทนคู่ค่าจากตัวแปรสองตัว

ตัวอย่างเช่น scatter plot สามารถแสดงความสัมพันธ์ระหว่างชั่วโมงที่ใช้ศึกษาและคะแนนทดสอบได้

ตัวอย่างแผนภาพกระจาย

ลองพิจารณาข้อมูลที่แสดงจำนวนชั่วโมงที่นักเรียนใช้ศึกษาและคะแนนทดสอบของนักเรียน scatter plot สามารถแสดงให้เห็นว่าตัวแปรเหล่านี้มีสหสัมพันธ์เชิงบวก เชิงลบ หรือไม่มีสหสัมพันธ์กัน

การสร้างฮิสโตแกรมใน Python

ต่อไปนี้คือตัวอย่างการสร้างฮิสโตแกรมโดยใช้ Matplotlib:

import matplotlib.pyplot as plt
import numpy as np

data = np.random.normal(50, 10, 100)
plt.hist(data, bins=10, color='blue', alpha=0.7)
plt.title('Histogram Example')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

การสร้างแผนภาพกระจายใน Python

นี่คือตัวอย่างวิธีสร้างแผนภาพกระจายโดยใช้ Matplotlib:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 50]

plt.scatter(x, y, color='red')
plt.title('Scatter Plot Example')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()

การเปรียบเทียบฮิสโตแกรมและแผนภาพกระจาย

ฮิสโตแกรม show การกระจายของข้อมูล ส่วนแผนภาพกระจายเผยให้เห็นความสัมพันธ์ระหว่างตัวแปรสองตัว ทั้งสองประเภทมีประโยชน์ โดยขึ้นอยู่กับเป้าหมายของการวิเคราะห์

สรุปและขั้นตอนถัดไป

ในบทเรียนนี้ เราได้ครอบคลุมเรื่องต่อไปนี้:

• จุดประสงค์ของฮิสโตแกรมและแผนภาพกระจาย
• วิธีสร้างและวิเคราะห์สิ่งเหล่านี้ใน Python

ถัดไป เราจะเรียนรู้เกี่ยวกับ heatmap เพื่อแสดงสหสัมพันธ์และเมทริกซ์เป็นภาพ