Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Korrelation Ermitteln | Daten Extrahieren
Fortgeschrittene Techniken in Pandas

bookKorrelation Ermitteln

Abschließend betrachten wir die letzte Methode in diesem Abschnitt, genannt .corr(). Sie ist äußerst hilfreich, um Zusammenhänge zwischen numerischen Daten zu erkennen. Stellen Sie sich vor, Sie verfügen über einen Datensatz zu Häusern:

Untersuchen wir die Ausgabe von data.corr() in unserem Fall:

Gehen wir dies Schritt für Schritt durch: Es gibt vertikale und horizontale Werte; jedes Paar überschneidet sich. In jeder Überschneidung kann ein Wert von -1 bis 1 auftreten.

  • 1 bedeutet, dass zwei Werte direkt proportional voneinander abhängen (wenn ein Wert steigt, steigt der andere ebenfalls);
  • -1 bedeutet, dass zwei Werte umgekehrt proportional voneinander abhängen (wenn ein Wert steigt, sinkt der andere);
  • 0 bedeutet, dass die beiden abhängigen Werte nicht proportional zueinander sind.
Note
Hinweis

Wenn der Datensatz nicht-numerische Spalten enthält, wie im Datensatz cars.csv, der in der Aufgabe verwendet wird, sollte das Argument numeric_only=True gesetzt werden, um die Korrelation nur mit den numerischen Spalten zu berechnen.

Aufgabe

Swipe to start coding

Sie schließen diesen Abschnitt mit einer unkomplizierten Aufgabe ab: Wenden Sie die Funktion .corr() auf den Datensatz an. Versuchen Sie anschließend, die erhaltenen Zahlen zu analysieren.

Lösung

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 7
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Suggested prompts:

Can you explain what the correlation values in the table mean?

How do I interpret a negative correlation in this context?

What does it mean if the correlation is close to zero?

close

Awesome!

Completion rate improved to 3.03

bookKorrelation Ermitteln

Swipe um das Menü anzuzeigen

Abschließend betrachten wir die letzte Methode in diesem Abschnitt, genannt .corr(). Sie ist äußerst hilfreich, um Zusammenhänge zwischen numerischen Daten zu erkennen. Stellen Sie sich vor, Sie verfügen über einen Datensatz zu Häusern:

Untersuchen wir die Ausgabe von data.corr() in unserem Fall:

Gehen wir dies Schritt für Schritt durch: Es gibt vertikale und horizontale Werte; jedes Paar überschneidet sich. In jeder Überschneidung kann ein Wert von -1 bis 1 auftreten.

  • 1 bedeutet, dass zwei Werte direkt proportional voneinander abhängen (wenn ein Wert steigt, steigt der andere ebenfalls);
  • -1 bedeutet, dass zwei Werte umgekehrt proportional voneinander abhängen (wenn ein Wert steigt, sinkt der andere);
  • 0 bedeutet, dass die beiden abhängigen Werte nicht proportional zueinander sind.
Note
Hinweis

Wenn der Datensatz nicht-numerische Spalten enthält, wie im Datensatz cars.csv, der in der Aufgabe verwendet wird, sollte das Argument numeric_only=True gesetzt werden, um die Korrelation nur mit den numerischen Spalten zu berechnen.

Aufgabe

Swipe to start coding

Sie schließen diesen Abschnitt mit einer unkomplizierten Aufgabe ab: Wenden Sie die Funktion .corr() auf den Datensatz an. Versuchen Sie anschließend, die erhaltenen Zahlen zu analysieren.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 7
single

single

some-alt