Фигурки по клеточкам в тетради: Рисуем по клеточкам

Системы счисления

Отметьте и последовательно соедините на координатной плоскости точки, координаты которых приведены в двоичной системе счисления. Для этого сначала заполните последний столбец таблицы. Приложение 4

Линейные алгоритмы Лого-миры

Литература.

1. Морозова Л. «Нарисуй-ка. Клеточка за клеточкой», «Издатель Быстров», 2005
2. Коняева О.»Рисуем по клеточкам», Родничок, 2006
3. Колесникова Е. «Геометрические фигуры», ТЦ Сфера, 2004
4. Программный комплект «Муравей и Компания», разработчик Дедова Л.В. http://circ.mgpu.ru/works/74/DedovaLV/index.htm, e-mail: [email protected], [email protected]
5. Босова Л. Информатика 5-6 класс, Бином, 2006

Узнайте, как использовать ноутбук Jupyter

Узнайте, как использовать ноутбук Jupyter

Red Hat OpenShift Data Science — это управляемая облачная служба для специалистов по данным и разработчиков интеллектуальных приложений. Он предоставляет полностью поддерживаемую песочницу, в которой можно быстро разрабатывать, обучать и тестировать модели машинного обучения в общедоступном облаке перед их развертыванием в рабочей среде. Когда вы используете OpenShift Data Science, вы работаете в песочнице, настроенной в службе Red Hat OpenShift Dedicated, которая упрощает облачные операции.

На этом пути обучения вы узнаете, как использовать блокнот Jupyter.

В этом разделе представлена ​​небольшая вводная информация о ноутбуках Jupyter. Если вы уже освоились с Jupyter, вы можете сразу перейти к следующему пути обучения в этой серии.

Что такое блокнот?

Записная книжка — это среда, в которой ячеек отображают форматированный текст или код. На рис. 17 показаны пустая ячейка и ячейка, в которую разработчик ввел некоторый код.

Рисунок 17.Первая ячейка пуста, а во второй показан код, введенный разработчиком.

Ячейки кода содержат код Python, который можно запускать в интерактивном режиме. Это означает, что вы можете изменить код, а затем запустить его. Код будет работать не на вашем компьютере или в браузере, а непосредственно в среде, к которой вы подключены, в нашем случае OpenShift Data Science.

Чтобы запустить ячейку кода, просто выберите ее (щелкните в ячейке или слева от нее) и нажмите кнопку Запустить на панели инструментов (рис. 18).Вы также можете нажать Ctrl+Enter, чтобы запустить ячейку, или Shift+Enter, чтобы запустить ячейку и автоматически выбрать следующую.

Рис. 18. Нажатие кнопки «Выполнить» на панели инструментов приводит к тому, что ячейка выполняет свой код Python.

После выполнения кода в ячейке отображается результат, а также информация о том, когда выполнялась эта ячейка.

При сохранении блокнота сохраняются как код, так и результаты.Таким образом, вы всегда можете снова открыть записную книжку, чтобы просмотреть результаты, без повторного запуска всех ячеек, сохраняя при этом доступ к коду.

названы так потому, что они напоминают физическую записную книжку: создается впечатление, что вы делаете заметки о своих экспериментах (которые вы будете делать) вместе с самим кодом, включая любые заданные вами параметры. Вы можете увидеть выходные данные эксперимента в режиме реального времени (это результат ячейки после ее запуска) вместе со всеми заметками, которые вы хотите сделать. Чтобы делать заметки, переключите тип ячейки с «Код» на «Разметка» с помощью меню.

Время играть

Теперь, когда мы рассмотрели основы, попробуйте свой ноутбук. Ваша среда Jupyter (интерфейс, похожий на файловый менеджер) содержит файл Getting-started.ipynb . Дважды щелкните по нему, чтобы запустить блокнот. Откроется еще одна вкладка в разделе содержимого среды (рис. 19).

Рисунок 19.Когда вы запускаете блокнот, он отображает свое содержимое, аккуратно отформатированное.

Не стесняйтесь экспериментировать, запускайте ячейки, добавляйте еще несколько ячеек и создавайте функции. Вы можете делать, что хотите — это ваша среда, и нет риска что-либо сломать или повлиять на других пользователей. Эта изоляция среды — еще одно большое преимущество OpenShift Data Science.

Вы также можете создать новый блокнот, выбрав «Файл» → «Создать» → «Блокнот» в меню в левом верхнем углу, а затем выберите ядро ​​​​Python 3. Это указывает Jupyter создать новую записную книжку, которая запускает ячейки кода с использованием Python 3. У вас могут быть разные ядра с разными языками или версиями для разных записных книжек, но это история в другой раз…

Вы также можете создать записную книжку, просто щелкнув значок в панели запуска (рис. 20).

Рисунок 20. Панель запуска содержит значок с названием ядра, в данном случае «Python 3».

При работе с блокнотами Jupyter необходимо знать, как выполнять два действия:

1. Как перезапустить ядро ​​ноутбука и очистить текущие результаты ноутбука Jupyter.
2. Как изменить изображение блокнота.

Перезапуск ядра

Чтобы перезапустить ядро ​​ноутбука Jupyter и очистить все выходные данные, выполните следующие действия:

1. Щелкните пункт меню Ядро .
2. Выберите Перезапустить ядро ​​и очистить все выходные данные (рис. 21).
3. Перезапустить ядро ​​? Появится диалоговое окно . Выберите Перезапустить .

Рисунок 21.Пункт меню «Ядро» предлагает опцию «Перезапустить ядро ​​и очистить все выходные данные».

Измените изображение вашего ноутбука

Иногда может потребоваться использовать больший размер развертывания для образа ноутбука. Или вы можете изменить образ записной книжки, который вы используете в настоящее время, например, Standard Data Science, на другой образ, такой как PyTorch. Обе задачи требуют внесения изменений в изображение записной книжки, которое вы указали в JupyterHub.

Перед внесением изменений остановите текущий экземпляр сервера ноутбуков.Перейдите в панель управления, щелкнув пункт меню File и выбрав Hub Control Panel (рис. 22).

Рис. 22. Пункт меню «Файл» позволяет перейти к панели управления через опцию «Панель управления хабом».

Вы вернетесь в JupyterHub, где должны нажать кнопку Stop My Server (рис. 23).

Примечание . Возможно, вам придется нажать эту кнопку дважды.

Рис. 23. Нажмите кнопку «Остановить мой сервер», чтобы остановить текущий сервер ноутбуков Jupyter.

Когда сервер остановится, вы увидите одну кнопку с надписью Start My Server (рис. 24).

Рис. 24. Кнопка «Запустить мой сервер» позволяет изменить параметры сервера ноутбука.

Нажмите кнопку Запустить мой сервер , чтобы вернуться на главную страницу Запустить сервер ноутбука .Теперь вы можете изменить свой образ, размер развертывания и параметры переменных среды (рис. 25).

Рис. 25. Страница «Запуск сервера ноутбука» предлагает параметры для сервера.

На этом мы завершаем краткое знакомство с ноутбуками Jupyter. Если вы хотите узнать больше о блокнотах Jupyter, посетите сайт Project Jupyter.

Теперь, когда вы лучше знакомы с записными книжками, вы готовы приступить к следующему пути обучения.

Введение в машинное обучение с помощью ноутбуков Jupyter

Недавно я работал над демонстрацией граничных вычислений, в которой используется машинное обучение (МО) для обнаружения аномалий на производственной площадке. Эта демонстрация является частью плана промышленного граничного решения AI/ML, анонсированного в прошлом году. Как указано в документации на GitHub, схема позволяет использовать декларативные спецификации, которые могут быть организованы по уровням и которые определяют все компоненты, используемые в периферийной эталонной архитектуре, такие как оборудование, программное обеспечение, инструменты управления и инструменты.

В начале проекта у меня было только общее представление о машинном обучении, и мне не хватало практических знаний, чтобы сделать с ним что-то полезное. Точно так же я слышал о блокнотах Jupyter, но не знал, что это такое и как их использовать.

Эта статья предназначена для разработчиков, которые хотят разобраться в машинном обучении и узнать, как его реализовать с помощью Jupyter Notebook. Вы узнаете о ноутбуках Jupyter, создав модель машинного обучения для обнаружения аномалий в данных вибрации для насосов, используемых на заводе.Пример блокнота будет использоваться для объяснения концепций блокнота и рабочего процесса. Существует множество отличных ресурсов, если вы хотите научиться создавать модели машинного обучения.

Что такое блокнот Jupyter?

использовались в качестве электронных лабораторных журналов для документирования процедур, данных, расчетов и результатов. Блокноты Jupyter представляют собой интерактивную вычислительную среду для разработки приложений для обработки данных.

Jupyter сочетают программный код, результаты вычислений, пояснительный текст и богатый контент в одном документе.Ноутбуки позволяют редактировать и выполнять код в браузере, а также отображать результаты вычислений. Блокнот сохраняется с расширением .ipynb . Проект Jupyter Notebook поддерживает десятки языков программирования, его название отражает поддержку Julia (Ju), Python (Py) и R.

Вы можете попробовать записную книжку, используя общедоступную песочницу или включив собственный сервер, например JupyterHub. JupyterHub обслуживает блокноты для нескольких пользователей. Он создает, управляет и проксирует несколько экземпляров однопользовательского сервера ноутбуков Jupyter.В этой статье JupyterHub будет работать на Kubernetes.

Приборная панель ноутбука Jupyter

При первом запуске сервера ноутбука открывается новая вкладка браузера с панелью мониторинга ноутбука. Панель инструментов служит домашней страницей для ваших записных книжек. Его основная цель — отобразить часть файловой системы, доступную пользователю, и предоставить обзор работающих ядер, терминалов и параллельных кластеров. На рис. 1 показана панель мониторинга ноутбука.

Рис. 1. Панель управления ноутбука.

В следующих разделах описываются компоненты панели мониторинга записных книжек.

Вкладка «Файлы»

Вкладка Files обеспечивает представление файловой системы, доступной пользователю. Это представление обычно привязано к каталогу, в котором был запущен сервер ноутбука.

Добавление блокнота

Новый блокнот можно создать, нажав кнопку Новый , или загрузить, нажав кнопку Загрузить .

Вкладка «Выполнение»

На вкладке Running отображаются работающие в данный момент ноутбуки, известные серверу.

Работа с ноутбуками Jupyter

При открытии записной книжки создается новая вкладка браузера, представляющая пользовательский интерфейс записной книжки. Компоненты интерфейса описаны в следующих разделах.

Заголовок

В верхней части документа записной книжки находится заголовок, содержащий название записной книжки, строку меню и панель инструментов, как показано на рис. 2.

Рисунок 2: Заголовок блокнота.

Корпус

Блокнот состоит из ячеек. Ячейки можно включать в любом порядке и редактировать по желанию. Содержимое ячеек относится к следующим типам:

• Ячейки уценки. Они содержат текст с форматированием уценки, объясняющий код или содержащий другой мультимедийный контент.
• Ячейки кода: содержат исполняемый код.
• Необработанные ячейки: они используются, когда текст необходимо включить в необработанном виде, без выполнения или преобразования.

Пользователи могут читать уценку и текстовые ячейки и запускать ячейки кода. На рис. 3 показаны примеры ячеек.

Рисунок 3: Примеры ячеек.

Редактирование и выполнение ячейки

Пользовательский интерфейс ноутбука модальный .Это означает, что клавиатура ведет себя по-разному в зависимости от того, в каком режиме находится блокнот. Блокнот имеет два режима: редактирования и управления.

Когда ячейка находится в режиме редактирования, она имеет зеленую границу ячейки и показывает подсказку в области редактора, как показано на рис. 4. В этом режиме вы можете вводить данные в ячейку, как в обычном текстовом редакторе.

Когда ячейка находится в командном режиме, она имеет синюю рамку ячейки, как показано на рисунке 5.В этом режиме вы можете использовать сочетания клавиш для выполнения действий с блокнотом и ячейкой. Например, нажатие Shift+Enter в командном режиме выполняет текущую ячейку.

Ячейки рабочего кода

Для запуска ячейки кода:

1. Щелкните в любом месте области [ ] в левом верхнем углу ячейки кода. Это переведет ячейку в командный режим.
2. Нажмите Shift+Enter или выберите Cell->Run .

Ячейки кода выполняются по порядку; то есть каждая ячейка кода запускается только после того, как все предшествующие ей ячейки кода запустятся.

Начало работы с ноутбуками Jupyter

Проект Jupyter Notebook поддерживает множество языков программирования. В этом примере мы будем использовать IPython. Он использует тот же синтаксис, что и Python, но обеспечивает более интерактивный интерфейс. Вам понадобятся следующие библиотеки Python для выполнения математических вычислений, необходимых для машинного обучения:

• NumPy: для создания и управления векторами и матрицами.
• Pandas: для анализа данных, а также для обработки или обработки данных. Pandas берет данные, такие как файл CSV или базу данных, и создает из них объект Python, называемый DataFrame . DataFrame является центральной структурой данных в Pandas API и похож на электронную таблицу следующим образом:
  • DataFrame хранит данные в ячейках.
  • DataFrame имеет именованные столбцы (обычно) и пронумерованные строки.
• Matplotlib: для визуализации данных.
• Склерн: Для контролируемого и неконтролируемого обучения. Эта библиотека предоставляет различные инструменты для подбора модели, предварительной обработки данных, выбора модели и оценки модели. Он имеет встроенные алгоритмы машинного обучения и модели, называемые оценщиками . Каждая оценка может быть адаптирована к некоторым данным с помощью метода соответствия .

Использование ноутбука Jupyter для машинного обучения

Мы будем использовать модель MANUela ML в качестве примера ноутбука для изучения различных компонентов, необходимых для машинного обучения.Данные, используемые для обучения модели, находятся в файле raw-data.csv.

Блокнот следует рабочему процессу, показанному на рис. 6. Ниже приводится объяснение шагов.

Шаг 1. Исследуйте необработанные данные

Используйте ячейку кода для импорта необходимых библиотек Python. Затем преобразуйте файл необработанных данных ( raw-data.csv ) в DataFrame с временным рядом, идентификатором насоса, значением вибрации и меткой, указывающей на аномалию.Требуемый код Python показан в ячейке кода на рис. 7.

Запуск ячейки создает DataFrame с необработанными данными, как показано на рис. 8.

Теперь визуализируйте DataFrame . Верхний график на рис. 9 показывает подмножество данных о вибрации. На нижнем графике показаны вручную помеченные данные с аномалиями (1 = аномалия, 0 = нормально).Это аномалии, которые должна обнаруживать модель машинного обучения.

Перед анализом необработанные данные необходимо преобразовать, очистить и структурировать в другие форматы, более подходящие для анализа. Этот процесс называется обработкой данных или обработкой данных .

Мы будем преобразовывать необработанные данные временных рядов в небольшие эпизоды, которые можно использовать для контролируемого обучения.Код показан на рисунке 10.

Мы хотим преобразовать данные в новый DataFrame с эпизодами длиной 5. На рис. 11 показан пример набора данных временного ряда.

Если мы преобразуем наши выборочные данные в эпизоды с длиной = 5, мы получим результаты, подобные рисунку 12.

Давайте теперь преобразуем данные нашего временного ряда в эпизоды, используя код на рис. 13.

Рисунок 13: Преобразование данных в эпизоды.

На рис. 14 показаны данные с эпизодами длиной 5 и меткой в ​​последнем столбце.

Рисунок 14: Эпизоды длиной 5 и метка в последнем столбце.

Примечание : На рис. 14 столбец F5 — это самое последнее значение данных, а столбец F1 — самые старые данные для данного эпизода.Метка L указывает на наличие аномалии.

Теперь данные готовы для контролируемого обучения.

Шаг 2: Функциональные и целевые столбцы

Как и во многих библиотеках машинного обучения, в Sklern требуются отдельные столбцы функций (X) и целей (Y). Итак, на рис. 15 наши данные разделены на столбцы признаков и целей.

Рис. 15. Разделение данных на столбцы признаков и целей.

Шаг 3: наборы данных для обучения и тестирования

Рекомендуется разделить набор данных на два подмножества: одно для обучения модели, а другое — для проверки обученной модели.

Наша цель — создать модель, хорошо обобщающую новые данные. Наш тестовый набор будет служить прокси для новых данных. Мы разделим набор данных на 67 % для обучающих наборов и 33 % для тестового набора, как показано на рисунке 16.

Рисунок 16: Разделение данных на наборы обучающих и тестовых данных.

Мы видим, что частота аномалий для обучающей и тестовой выборок одинакова; то есть набор данных довольно справедливо разделен.

Шаг 4: Обучение модели

Мы будем проводить обучение модели с помощью DecisionTreeClassifier . Деревья решений — это контролируемый метод обучения, используемый для классификации и регрессии. Цель состоит в том, чтобы создать модель, которая предсказывает значение целевой переменной, изучая простые правила принятия решений, выведенные из характеристик данных.

DecisionTreeClassifier — это класс, который выполняет многоклассовую классификацию набора данных, хотя в этом примере мы будем использовать его для классификации в один класс. DecisionTreeClassifier принимает в качестве входных данных два массива: массив X в качестве признаков и массив Y в качестве меток.После подгонки модель можно использовать для прогнозирования меток для набора тестовых данных. На рис. 17 показан наш код.

Рисунок 17: Обучение модели с помощью DecisionTreeClassifier.

Мы видим, что модель достигает высокой оценки точности.

Шаг 5: Сохраните модель

Сохраните модель и снова загрузите ее, чтобы убедиться, что она работает, как показано на рис. 18.

Рисунок 18: Сохранение модели.

Шаг 6: Вывод с помощью модели

Теперь, когда мы создали модель машинного обучения, мы можем использовать ее для вывода данных в реальном времени.

В этом примере мы будем использовать Seldon для обслуживания модели. Чтобы наша модель работала под Seldon, нам нужно создать класс с методом прогнозирования. Метод предсказания может получить массив X NumPy и вернуть результат предсказания как:

• Массив NumPy
• Список значений
• Строка байтов

Наш код показан на рисунке 19.

Рис. 19. Использование Seldon для обслуживания модели машинного обучения.

Наконец, давайте проверим, может ли модель предсказывать аномалии для списка значений, как показано на рис. 20.

Рисунок 20: Вывод с использованием модели.

Мы видим, что модель также набирает высокие баллы за логические выводы.

Ссылки на эту статью

Дополнительную информацию по темам, обсуждаемым в этой статье, см. в следующих источниках:

Как оптимизировать Jupyter Notebook

Введение

Jupyter Notebook в настоящее время, вероятно, является наиболее часто используемой средой для решения задач машинного обучения/науки о данных в Python.

Jupyter Notebook — это клиент-серверное приложение, используемое для запуска документов блокнота в браузере. Документы записной книжки — это документы, которые могут содержать как код, так и элементы форматированного текста, такие как абзацы, уравнения и т. д.

В этой статье я покажу вам несколько простых приемов, как улучшить работу с Jupyter Notebook. Мы начнем с полезных ярлыков и закончим тем, что добавим темы, автоматически сгенерированное оглавление и многое другое.

Ярлыки

Ярлыки могут быть очень полезны для ускорения написания кода.Теперь я расскажу вам о некоторых сочетаниях клавиш, которые я считаю наиболее полезными для использования в Jupyter.

Существует два возможных способа взаимодействия с Jupyter Notebook: режим команд и режим редактирования. Некоторые сочетания клавиш работают только в том или ином режиме, в то время как другие являются общими для обоих режимов.

Некоторые сочетания клавиш, общие для обоих режимов:

• Ctrl + Enter : запустить все выбранные ячейки
• Shift + Enter : запустить текущую ячейку и перейти к следующей
• Ctrl + s : сохранить блокнот

Чтобы войти в командный режим Jupyter, нам нужно нажать Esc, а затем любую из следующих команд:

• H : показать все ярлыки, доступные в Jupyter Notebook
• Shift + Up/ Стрелка вниз : выбрать несколько ячеек записной книжки одновременно (нажатие ввода после выбора нескольких ячеек приведет к их запуску!)
• A : вставить новую ячейку выше
• B : вставить новую ячейку ниже
• X : вырезать выбранные ячейки
• Z : отменить удаление ячейки
• Y : изменить тип ячейки на Код
• M : изменить тип ячейки to Markdown
• Пробел : прокрутить блокнот вниз
• Shift + Space : прокрутить блокнот вверх

Чтобы вместо этого войти в режим редактирования Jupyter, нам нужно нажать Enter и последовательно выполнить любую из следующих команд:

Команды оболочки и установка пакетов

Не многие пользователи знают об этом, но в Jupyter можно запускать команды оболочки. ячейку tebook, добавив восклицательный знак в начале ячейки.Например, запуск ячейки с !ls вернет все элементы в текущем рабочем каталоге. Запуск ячейки с !pwd вместо этого распечатает текущий путь к файлу каталога.

Этот же прием можно применить и для установки пакетов Python в блокнот Jupyter.

  !pip install numpy  

Темы Jupyter

Если вы хотите изменить внешний вид ноутбука Jupyter, можно установить пакет с набором различных тем.Тема Jupyter по умолчанию выглядит так, как показано на рисунке 1. На рисунке 2 вы увидите, как мы сможем персонализировать ее внешний вид.

Мы можем установить наш пакет прямо в блокнот, используя трюк, который я показал вам в предыдущем разделе:

  !pip install jupyterthemes  

Мы можем запустить следующую команду, чтобы получить список имен всех доступных тем:

  !jt -l

# Вывод ячейки:
# Доступные темы:
# Честериш
#   3-й степени
# грувбоксд
# грувбоксл
# монокай
# океаны16
# онедорк
# соляризованный
# solarizedl  

Наконец, мы можем выбрать тему с помощью следующей команды (в этом примере я решил использовать тему solarized1): страница, наша записная книжка должна выглядеть так, как показано на рисунке 2.

Если вы хотите в любое время вернуться к исходной теме ноутбука Jupyter, вы можете просто выполнить следующую команду и обновить страницу.

  !jt -r  

Расширения Jupyter Notebook

Расширения Notebook можно использовать для повышения удобства работы пользователей и предоставления широкого спектра методов персонализации.

В этом примере я буду использовать библиотеку nbextensions для установки всех необходимых виджетов (на этот раз я предлагаю вам сначала установить пакеты через терминал, а затем открыть блокнот Jupyter).Эта библиотека использует различные модели Javascript, чтобы обогатить внешний интерфейс ноутбука.

  ! pip установить jupyter_contrib_nbextensions
! jupyter contrib nbextension install --system  

После установки nbextensions вы заметите, что на главной странице вашего ноутбука Jupyter появилась дополнительная вкладка (рис. 3).

Нажав на вкладку Nbextensions, мы получим список доступных виджетов.В моем случае я решил включить те, которые показаны на рисунке 4.

Некоторые из моих любимых расширений: из заголовков уценки (рис. 5).

2. Фрагменты кода

Примеры кодов для загрузки общих библиотек и создания образцов графиков, которые можно использовать в качестве отправной точки для анализа данных (рис. 6).

3. Hinterland

Автодополнение кода для Jupyter Notebooks (Рисунок 7).

Библиотека nbextensions предоставляет множество других расширений помимо этих трех, поэтому я призываю вас экспериментировать и тестировать любые другие, которые могут вас заинтересовать!

Параметры уценки

По умолчанию распечатывается только последний вывод в ячейке Jupyter Notebook. Если вместо этого мы хотим автоматически печатать все команды без использования print() , мы можем добавить следующие строки кода в начало блокнота.

  из IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"  

Кроме того, можно написать LaTex в ячейке Markdown, заключив текст между знаками доллара ($).

Notebook Slides

Можно создать слайд-шоу Jupyter Notebook, выбрав View -> Cell Toolbar -> Slideshow , а затем выбрав конфигурацию слайдов для каждой ячейки блокнота.

Наконец, подойдя к терминалу и введя следующие команды, будет создано слайд-шоу.

  pip установить jupyter_contrib_nbextensions

# и последовательно:

jupyter nbconvert my_notebook_name.ipynb --to slides --post serve  

Magic

Magics — это команды, которые можно использовать для выполнения определенных команд. Некоторые примеры: встроенное построение графика, печать времени выполнения ячейки, печать потребления памяти при выполнении ячейки и так далее.

Волшебные команды, начинающиеся с одного % , применяются только для одной строки ячейки (где находится команда). Волшебные команды, которые вместо этого начинаются с двух %% , применяются ко всей ячейке.

Можно распечатать все доступные магические команды с помощью следующей команды:

  %lsmagic  

Если вы хотите быть в курсе моих последних статей и проектов, следуйте за мной и подпишитесь на мой список рассылки.Вот некоторые из моих контактных данных:

Фотография на обложке этой статьи.

Как строить графики с помощью Qt

Введение

Существует несколько различных библиотек визуализации данных для Python. Однако из всех библиотек Matplotlib является самой популярной и широко используемой. С Matplotlib вы можете создавать как простые, так и сложные визуализации.

Jupyter — один из самых популярных способов обмена проектами по науке и анализу данных, кодом и визуализацией. Хотя вы можете знать, как визуализировать данные с помощью Matplotlib, вы можете не знать, как использовать Matplotlib в блокноте Jupyter.

В этой статье мы рассмотрим как использовать блокнот IPython для построения встроенных графиков Matplotlib .

Также будет рассмотрено назначение магических методов Matplotlib «inline» и «notebook», которые используются для установки бэкэндов Matplotlib.

Настройка IPython

являются интерактивными, и если они позволяют вам делиться своей работой с другими программистами и аналитиками в воспроизводимом формате.Но прежде чем вы сможете работать с ноутбуком Jupyter, вам необходимо его установить.

Самый простой и легкий способ установить блокнот Jupyter — использовать диспетчер пакетов. Если вы используете Conda, вы можете установить файловую систему Jupyter с помощью следующей команды:

  $ conda install -c блокнот conda-forge
  

Если вы используете pip, вы можете установить Jupyter с помощью этой команды:

  $ pip install ноутбук
  

После установки лаборатории Jupyter вы можете запустить экземпляр блокнота Jupyter, открыв командную строку и используя следующую командную строку с интуитивно понятным названием:

  Блокнот Jupyter
  

Затем вы можете получить доступ к блокноту Jupyter, указав в браузере следующий URL-адрес:

  http://localhost:8888/дерево?
  

Импорт данных и визуализация данных

Мы будем использовать знаменитый набор данных Tips.

Мы импортируем Pandas для чтения файла .csv , а также matplotlib.pyplot для визуализации. После этого мы можем построить простой точечный график:

Так вы обычно визуализируете данные в блокноте Jupyter. Однако, если вы поделились этой записной книжкой с кем-то в ее текущей форме, им пришлось бы самостоятельно запускать код, чтобы увидеть визуализации.

Если вы хотите, чтобы сами визуализации были включены в тело блокнота, вы можете использовать встроенную команду , которая ссылается на бэкэнд Matplotlib.

Серверные части Matplotlib

Обычно для отображения графиков используется функция show() из PyPlot. С блокнотами Jupyter в этом нет необходимости, поскольку графики отображаются после запуска ячеек, содержащих код, который их генерирует. Эти графики по умолчанию отображаются встроенными , что означает, что они отображаются в самой записной книжке.

Однако вы также можете отобразить график за пределами блокнота, что можно сделать, изменив бэкэнд Matplotlib. Jupyter автоматически устанавливает бэкэнд Matplotlib, однако это можно переопределить с помощью магических функций , которые вызываются с символом % .

График Matplotlib во внешнем окне с использованием IPython/Jupyter

Давайте начнем с того, что попробуем рисовать на внешнем окне из ноутбука:

  %matplotlibqt
  

Здесь мы указали блокноту Jupyter использовать Qt для создания фрейма на нашем локальном компьютере. Этот вызов функции находится перед импортом Matplotlib:

Встроенный график Matplotlib с использованием IPython/Jupyter (встроенный)

Некоторые версии Jupyter могут неправильно устанавливать серверную часть для Matplotlib и не отображать встроенные графики.В этом случае встроенное построение может быть принудительно выполнено одним из двух способов.

Ознакомьтесь с нашим практическим руководством по изучению Git с рекомендациями, принятыми в отрасли стандартами и прилагаемой памяткой. Перестаньте гуглить команды Git и на самом деле изучите это!

Вы можете установить встроенную функцию вместо qt , чтобы заставить Jupyter отображать графики в строке:

  %matplotlib встроенный
  

Это помогает убедиться, что любой, кто открывает блокнот, может видеть визуализации без необходимости повторного запуска ячеек кода:

Встроенный график Matplotlib с использованием IPython/Jupyter (ноутбук)

Второй метод рендеринга графика Matplotlib в блокноте заключается в использовании бэкенда блокнота :

  блокнот %matplotlib
  

Используя блокнот %matplotlib, блокнот создает интерактивные графики, встроенные в блокнот, что позволяет тем, кто просматривает блокнот, изменять размер рисунка или увеличивать его:

Заключение

В этом руководстве мы рассмотрели, как построить извне (с использованием Qt) и встроенный (с использованием встроенных и блокнотов магических функций) в блокнотах IPython/Jupyter.

Если вы заинтересованы в визуализации данных и не знаете, с чего начать, обязательно ознакомьтесь с нашим набором книг по Визуализация данных в Python :

Визуализация данных в Python с помощью Matplotlib и Pandas — это книга, предназначенная для абсолютных новичков в Pandas и Matplotlib с базовыми знаниями Python и позволяющая им создать прочную основу для расширенной работы с этими библиотеками — от простых графиков до анимированные 3D-графики с интерактивными кнопками.

Он служит подробным руководством, которое научит вас всему, что вам нужно знать о Pandas и Matplotlib, в том числе о том, как создавать типы графиков, которые не встроены в саму библиотеку.

Визуализация данных в Python , книга для начинающих и продолжающих разработчиков Python, проведет вас через простые операции с данными с Pandas, охватит основные библиотеки построения графиков, такие как Matplotlib и Seaborn, и покажет вам, как использовать преимущества декларативных и экспериментальных библиотек, таких как Альтаир. В частности, в 11 главах эта книга охватывает 9 библиотек Python: Pandas, Matplotlib, Seaborn, Bokeh, Altair, Plotly, GGPlot, GeoPandas и VisPy.

Он служит уникальным практическим руководством по визуализации данных с множеством инструментов, которые вы можете использовать в своей карьере.

Опции ноутбука IPython — документация IPython 2.4.2-maint

MappingKernelManager. kernel_manager_class : DottedObjectName

FileNotebookManager. save_script : Бул

NotebookApp. trust_xheaders : Bool

InlineBackend. print_figure_kwargs : Dict

%PDF-1.3 1 0 объект > эндообъект 2 0 объект > эндообъект 3 0 объект > /ТРП1 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /Цветное пространство > /ProcSet [ /ImageB /ImageC /текст /ImageI /PDF ] >> /Тип /Страница >> эндообъект 4 0 объект > /ТРП1 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /XОбъект > /Цветное пространство > /ProcSet [ /ImageC /ImageI /PDF /ImageB /Text ] >> /Тип /Страница >> эндообъект 5 0 объект > /ТРП1 > /[email protected] 000000 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /XОбъект > /Цветное пространство > /ProcSet [ /ImageC /ImageI /PDF /ImageB /Text ] >> /Тип /Страница >> эндообъект 6 0 объект > /ТРП1 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /Цветное пространство > /ProcSet [ /ImageB /ImageC /текст /ImageI /PDF ] >> /Тип /Страница >> эндообъект 7 0 объект > /ТРП1 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /Цветное пространство > /ProcSet [ /ImageB /ImageC /текст /ImageI /PDF ] >> /Тип /Страница >> эндообъект 8 0 объект > /ТРП1 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /Цветное пространство > /ProcSet [ /ImageB /ImageC /текст /ImageI /PDF ] >> /Тип /Страница >> эндообъект 9 0 объект > /ТРП1 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /Цветное пространство > /ProcSet [ /ImageB /ImageC /текст /ImageI /PDF ] >> /Тип /Страница >> эндообъект 10 0 объект > /ТРП1 > /[email protected] 000000 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /Цветное пространство > /ProcSet [ /ImageB /ImageC /текст /ImageI /PDF ] >> /Тип /Страница >> эндообъект 11 0 объект > /ТРП1 > /[email protected] > /[email protected] > /[email protected] > /[email protected] > /[email protected] > >> /Шрифт > /Цветное пространство > /ProcSet [ /ImageB /ImageC /текст /ImageI /PDF ] >> /Тип /Страница >> эндообъект 12 0 объект > эндообъект 13 0 объект > /АП > /Граница [ 0 0 0 ] /С [ 0 1 1 ] /Ф 4 /ПРИВЕТ /Rect [ 52,802 307,329 150,795 315,267 ] /Подтип /Ссылка /Тип /Аннот >> эндообъект 14 0 объект > поток x

Блокнот Jupyter со статистикой | Новое в Стате 17

Основные моменты

• Вызов статистики из Python

• Вызов Stata с помощью магических команд stata, mata и pystata
• Вызов статистики с помощью набора функций API
• Используйте волшебные команды и функции API вместе с модулем Stata Function Interface (sfi)

• Совместное использование Python и Stata

• Доступ к Stata и Mata из Jupyter Notebook, Jupyter Lab и других сред, поддерживающих ядро ​​IPython
• Отправка данных и результатов Stata в Python и наоборот
• Объедините возможности Stata и Python в одной среде

Jupyter Notebook — это мощное и простое в использовании веб-приложение, которое позволяет объединять исполняемый код, визуализации, математические уравнения и формулы, описательный текст и другие мультимедийные материалы в одном документе («блокноте») для интерактивных вычислений и разработки. .Блокноты Jupyter широко используются исследователями и учеными для обмена идеями и результатами для совместной работы и инноваций.

Теперь вы можете вызывать Stata и Mata из Jupyter Notebooks с ядром IPython (интерактивный Python), что означает, что вы можете комбинировать возможности Python и Stata в одной среде, чтобы сделать вашу работу легко воспроизводимой и доступной для других.

Давайте посмотрим, как это работает

В Jupyter Notebook вы можете использовать два набора инструментов, предоставляемых пакетом Python pystata для взаимодействия со Stata:

1. Три волшебные команды IPython (интерактивный Python): статус, мата и пистата
2. Набор функций API

Прежде чем показать вам, как использовать эти инструменты, мы настроим пакет pystata . Предположим, вы установили Stata в C:\Program Files\Stata17\ и используете версию Stata/MP . Stata можно инициализировать следующим образом:

импортировать stata_setup

stata_setup.config(«C:/Program Files/Stata17», «mp»)

  ___ ____ ____ ____ ____ ©
 /__ / ____/ / ____/ 17.0
___/ / /___/ / /___/ MP — параллельное издание

 Статистика и наука о данных Copyright 1985-2021 StataCorp LLC
                                   СтатаКорп
                                   4905 Лейкуэй Драйв
                                   Колледж-Стейшн, Техас 77845 США
                                   800-СТАТА-ПК https://www.stata.com
                                   979-696-4600 [email protected] com

Лицензия Stata: 10-пользовательская 4-ядерная бессрочная сеть
Серийный номер: 1
  Лицензия: Stata Developer
               ООО «СтатаКорп»

Примечания:
      1.Юникод поддерживается; см. справку unicode_advice.
      2. Разрешено более 2 миллиардов наблюдений; см. справку obs_advice.
      3. Максимальное количество переменных установлено на 5000; см. справку set_maxvar.

.
 

Если вы получите вывод, аналогичный показанному выше для вашей версии Stata, это означает, что все настроено правильно; см. Конфигурация, чтобы узнать больше о способах настройки pystata .

Вызов статистики с помощью магических команд

Магия stata используется для выполнения команд Stata в среде IPython.В ячейке записной книжки мы поместили команды Stata под магией ячейки %%stata , чтобы направить ячейку на вызов Stata. Следующие команды загружают набор данных auto и обобщают переменную mpg . Вывод статистики отображается под ячейкой.

%%stata

sysuse авто, очистить

суммировать миль на галлон

.sysuse авто, очистить
(автомобильные данные 1978 г.)

. суммировать миль на галлон

    Переменная | Набл. Среднее ст. разв. Мин Макс
----------------------------+------------------------------------ ---------------------
         миль на галлон | 74 21,2973 5,785503 12 41

.
 

Графики Stata также можно отображать в среде IPython. Здесь мы создаем диаграмму рассеяния пробега автомобиля в зависимости от цены, используя магию линии %stata .

Затем мы загружаем данные Python в Stata, выполняем анализ в Stata, а затем передаем возвращенные Stata результаты в Python для дальнейшего анализа с использованием Второго национального обследования состояния здоровья и питания (NHANES II; McDowell et al. 1981).

NHANES II, набор данных о состоянии здоровья и питания взрослых и детей в США, содержит 10 351 наблюдение и 58 переменных и хранится в файле CSV под названием nhanes2.csv. Среди этих переменных есть индикаторная переменная гипертонии ( highbp ) и непрерывные переменные возраст и вес .

Мы используем метод pandas read_csv() для чтения данных из файла . csv в кадр данных pandas с именем nhanes2 .

импортировать панд как pd

импорт io

запросы на импорт

данные = запросы.получить(«https://www.stata.com/python/pystata/misc/nhanes2.csv»).контент

nhanes2 = pd.read_csv(io.StringIO(data.decode(«utf-8»)))

Нханес2

	образец	пласты	БП	регион	смс	местоположение	хуссиз	секс	раса	возраст	. ..	регион4	смса1	смса2	смса3	сельский	бревно	возрастная группа	хайлид	ИМТ	высокая скорость
0	1400	1	1	С	2	1	4	Мужчина	Белый	54	. ..	0	0	1	0	0	НаН	50-59	НаН	20.495686	0
1	1401	1	1	С	2	1	6	Женщина	Белый	41	. ..	0	0	1	0	0	2,564949	40-49	свинец<25	21.022337	0
2	1402	1	1	С	1	1	6	Женщина	Другое	21	. ..	0	1	0	0	0	НаН	20-29	НаН	24.973860	0
3	1404	1	1	С	2	1	9	Женщина	Белый	63	. ..	0	0	1	0	0	НаН	60-69	НаН	35.728722	1
4	1405	1	1	С	1	1	3	Женщина	Белый	64	. ..	0	1	0	0	0	2,995732	60-69	свинец<25	27. 3	0
…	…	…	…	…	…	…	…	…	. ..	…	…	…	…	…	…	…	…	…	…	…	…
10346	48760	32	2	МВт	4	48	5	Женщина	Белый	35	. ..	0	0	0	1	1	НаН	30-39	НаН	20.355173	0
10347	48763	32	2	МВт	4	48	2	Женщина	Белый	33	. ..	0	0	0	1	1	1,945910	30-39	свинец<25	41.645557	1
10348	48764	32	2	МВт	4	48	1	Женщина	Белый	60	. ..	0	0	0	1	0	НаН	60-69	НаН	35.626114	0
10349	48768	32	2	МВт	4	48	1	Женщина	Белый	29	. ..	0	0	0	1	0	НаН	20-29	НаН	19.204464	0
10350	48770	32	2	МВт	4	48	1	Мужчина	Белый	31	. ..	0	0	0	1	1	НаН	30-39	НаН	19.635565	0

10351 строк × 58 столбцов

Мы загружаем кадр данных в Stata, указав аргумент -d магии %%stata , а затем в Stata мы подгоняем модель логистической регрессии, используя age , weight и их взаимодействие в качестве предикторов вероятности гипертония.Мы также помещаем результаты оценки Stata, отображаемые в списке eret , включая вектор коэффициентов e(b) и матрицу дисперсии-ковариации e(V) , в словарь Python с именем myeret , указав аргумент -eret.

%%stata -d nhanes2 -eret myeret

логистический highbp c.возраст##c.вес

вернуть список

. логистика highbp c.age##c.weight

Логистическая регрессия Количество наблюдений = 10 351
                                                       LR chi2(3) = 2381,23
                                                       Вероятность > хи2 = 0,0000
Логарифмическая вероятность = -5860.1512 Псевдо R2 = 0,1689

-------------------------------------------------- ----------------------------
      высокая скорость | Отношение шансов Стд. ошибаться z P>|z| [95% конф.  интервал]
----------------------------+------------------------------------ ----------------------------
         возраст | 1.108531 .0080697 14.15 0.000 1.092827 1.12446
      вес | 1.081505 .005516 15.36 0.000 1.070748 1.0

             |
       с.возраст#|
    c.вес | .9992788 .0000977 -7,38 0,000 .99
 .9994703
             |
       _против | .0002025 .0000787 -21,89 0,000 .0000946 .0004335
-------------------------------------------------- ----------------------------
Примечание. _cons оценивает базовые шансы.

. вернуть список

скаляры:
               е (ранг) = 4
                  е(Н) = 10351
                 е(ик) = 4
                  е (к) = 4
               е (к_экв) = 1
               е (к_дв) = 1
          е (сходится) = 1
                 е(гк) = 0
                 е(11) = -5860.151218806021
         е (k_eq_model) = 1
               е(ll_0) = -7050,765484416371
               е (df_m) = 3
               е(хи2) = 2381,2285312207
                  е (р) = 0
              е (N_cdf) = 0
              е (N_cds) = 0
               е(r2_p) = 0,1688631210670459

макросы:
            e(cmdline): "логистика highbp c. age##c.weight"
                e(cmd): "логистика"
            e (прогноз): «logistic_p»
          e(estat_cmd): "logit_estat"
          e(marginsok): "по умолчанию Pr"
       e(marginsnotok): "stdp DBeta DEviance DX2 DDeviance Hat Number Resi.."
              e(title) : "Логистическая регрессия"
           e(chi2type): "LR"
                e(opt) : "оптимизировать"
                e (vce): «оим»
               e(пользователь): "mopt__logit_d2()"
          е (мл_метод): "d2"
          е (техника): «номер»
              е (который): «макс.»
             e(depvar): "высокий бит"
         е (свойства): "б В"

матрицы:
                  д (б) : 1 х 4
                  е(В) : 4 х 4
                е(мнс) : 1 х 4
              е (правила) : 1 х 4
               e(ilog) : 1 х 20
           е (градиент): 1 х 4

функции:
             е (образец)

.

Мы можем получить доступ к e(b) и e(V) , набрав myeret[‘e(b)’] и myeret[‘e(V)’] соответственно в Python. Они хранятся в массивах NumPy.

myeret [‘э (б)’], myeret [‘э (V)’]

(массив([[ 1.03035513э-01, 7.83537342э-02, -7.214
э-04,
         -8,50485078e+00]]),
 массив([[ 5.29930771e-05, 3.50509317e-05, -6.97861002e-07,
         -2.69423163э-03],
        [ 3.50509317э-05, 2.60132664э-05, -4.74084051э-07,
         -1.94299575э-03],
        [-6.97861002e-07, -4.74084051e-07, 9.55811835e-09,
          3.50377699э-05],
        [-2.69423163e-03, -1.94299575e-03, 3.50377699e-05,
          1.50887842e-01]]))
 

Мы используем margins и marginsplot для построения графика прогнозов для возрастов , который более четко иллюстрирует взаимосвязь между возрастом и вероятностью гипертонии.

%%stata

тихо маргиналы, в (возраст = (20 (10) 80))

маржа

.тихо маргиналы, в (возраст = (20 (10) 80))

. маржа

Переменные, однозначно идентифицирующие поля: возраст

.
 

Мы используем поля для оценки прогнозируемой вероятности гипертензии для всех комбинаций возраста и веса для значений возраста в диапазоне от 20 до 80 лет с шагом 5 и для значений веса в диапазоне от 40 до 180 кг с шагом 5. Опция save(predictions, replace) сохраняет прогнозы в наборе данных с именем прогнозы.dta . Наша цель — использовать Python для создания трехмерного поверхностного графика этих прогнозов.

Набор данных прогнозы.dta содержит переменные _at1 и _at2 , которые соответствуют значениям age и weight , которые мы указали в опции at() .Набор данных также содержит переменную _margin , которая является предельным прогнозом вероятности высокого кровяного давления. Мы переименовываем эти переменные в age , weight и pr_highbp соответственно.

Наконец, мы сохраняем набор данных в Stata как фрейм данных pandas с именем preddata в Python, указав аргумент -doutd.

%%stata -doutd предварительные данные

тихо уступает, в (возраст = (20 (5) 80) вес = (40 (5) 180))

сохранение(предсказания, замена)

использовать прогнозы, очистить

список _at1 _at2 _margin в 1/5

переименовать _at1 возраст

переименовать _at2 вес

переименовать _margin pr_highbp

. тихо уступает, at(age=(20(5)80) weight=(40(5)180)) ///
> сохранение(предсказания, замена)

.
. использовать прогнозы, очистить
(Создано по команде margins; см. также список символов)

. список _at1 _at2 _margin в 1/5

     +---------------------------------------+
     | _at1 _at2 _маржа |
     |------------------------|
  1. | 20 40 .0200911 |
  2. | 20 45 .0274497 |
  3. | 20 50 .0374008 |
  4. | 20 55 .0507709 |
  5. | 20 60 .0685801 |
     +---------------------------------------+

. переименовать _at1 возраст

.переименовать _at2 вес

. переименовать _margin pr_highbp

.
 

Мы перечисляем первые пять наблюдений столбцов age , weight , pr_highbp в фрейме данных.

preddata[[‘возраст’, ‘вес’, ‘pr_highbp’]]. head()

	возраст	вес	pr_highbp
0	20	40	0.020091
1	20	45	0,027450
2	20	50	0,037401
3	20	55	0. 050771
4	20	60	0,068580

Затем мы используем Python для создания трехмерного поверхностного графика. Во-первых, мы устанавливаем размер графика 10 на 8 дюймов, используя метод figure() в модуле pyplot пакета Matplotlib.Мы используем метод axes() для определения трехмерного набора осей с именем x и рисуем график поверхности с помощью метода plot_trisurf() . Затем мы устанавливаем галочки и метки для осей x, y и z. Наконец, мы корректируем высоту и азимут графика.

импортировать matplotlib. pyplot как plt

из mpl_toolkits импортировать mplot3d

импортировать numpy как np

&Неразрывное пространство;

# определяем оси

рис = табл.фигура (1, размер фигуры = (10, 8))

топор = plt.axes (проекция = ‘3d’)

&Неразрывное пространство;

# участок

ax. plot_trisurf (предданные [‘возраст’], предданные [‘вес’], предданные [‘pr_highbp’], cmap = plt.см.Spectral_r)

&Неразрывное пространство;

# установить галочки и метки для осей x, y и z

ax.set_xticks (np.arange (20, 90, шаг = 10))

топор.set_yticks (np.arange (40, 200, шаг = 40))

ax.set_zticks (np.arange (0, 1,2, шаг = 0,2))

ax.set_xlabel(«Возраст (лет)»)

ax. set_ylabel(«Вес (кг)»)

топор.set_zlabel(«Вероятность гипертонии»)

&Неразрывное пространство;

# настроить угол обзора

ax.view_init (высота = 30, азим = 240)

&Неразрывное пространство;

# показать сюжет

пл.показывать()

Мы продемонстрировали, как получить доступ к Stata из Python, но вы также можете получить доступ к Mata из Python, используя магию mata ; см. Магия мата и Пример 4: Работа с мата.

Взаимодействие со Stata с использованием функций API

Мы также можем взаимодействовать со Stata, используя набор функций, определенных в модулях config и stata из пакета Python pystata .Мы покажем, как использовать эти функции API для взаимодействия со Stata в качестве альтернативы волшебной команде %%stata .

Мы импортируем модуль stata из pystata . Затем вызовите метод pdataframe_to_data(), чтобы загрузить кадр данных pandas nhanes2 в Stata, и вызовите метод run(), чтобы он соответствовал модели логистической регрессии.

импорт из пистаты статус

статус. pdataframe_to_data (nhanes2, сила = Истина)

stata.run(‘логистика highbp c.age##c.weight’)

Логистическая регрессия Количество наблюдений = 10 351
                                                       LR chi2(3) = 2381,23
                                                       Prob > chi2 = 0.0000
Логарифмическая вероятность = -5860,1512 Псевдо R2 = 0,1689

-------------------------------------------------- ----------------------------
      высокая скорость | Отношение шансов Стд. ошибаться z P>|z| [95% конф. интервал]
----------------------------+------------------------------------ ----------------------------
         возраст | 1.108531 .0080697 14.15 0.000 1.092827 1.12446
      вес | 1.081505 .005516 15.36 0.000 1.070748 1.0

             |
       в.возраст#|
    c.вес | .9992788 .0000977 -7,38 0,000 . 99
 .9994703
             |
       _против | .0002025 .0000787 -21,89 0,000 .0000946 .0004335
-------------------------------------------------- ----------------------------
Примечание. _cons оценивает базовые шансы.
 

Затем мы используем метод get_ereturn() для сохранения результатов e() , возвращенных командой logistic в Python, в виде словаря с именем myeret2 и отображения e(b) и e(V) в нем. .

myeret2 = stata.get_ereturn()

myeret2[‘e(b)’], myeret2[‘e(V)’]

(массив([[ 1. 03035513e-01, 7.83537342э-02, -7.214
э-04,
         -8,50485078e+00]]),
 массив([[ 5.29930771e-05, 3.50509317e-05, -6.97861002e-07,
         -2.69423163э-03],
        [ 3.50509317э-05, 2.60132664э-05, -4.74084051э-07,
         -1.94299575э-03],
        [-6.97861002e-07, -4.74084051e-07, 9.55811835e-09,
          3.50377699э-05],
        [-2.69423163e-03, -1.94299575e-03, 3.50377699e-05,
          1.50887842e-01]]))
 

Затем мы вызываем метод run() для оценки прогнозируемой вероятности гипертонии для всех комбинаций возраста и веса , сохраняя результаты прогноза в наборе данных с именем прогнозы.data и загрузите набор данных в Stata и переименуйте переменные.

stata. run(»’

тихо уступает, at(age=(20(5)80) weight=(40(5)180)) ///

сохранение(предсказания, замена)

использовать прогнозы, очистить

список _at1 _at2 _margin в 1/5

переименовать _at1 возраст

переименовать _at2 вес

переименовать _margin pr_highbp

»’)

. . тихо уступает, at(age=(20(5)80) weight=(40(5)180)) ///
> сохранение(предсказания, замена)

.
. использовать прогнозы, очистить
(Создано по команде margins; см. также список символов)

. список _at1 _at2 _margin в 1/5

     +---------------------------------------+
     | _at1 _at2 _маржа |
     |------------------------|
  1. | 20 40 .0200911 |
  2. | 20 45 .0274497 |
  3. | 20 50 .0374008 |
  4. | 20 55 .0507709 |
  5. | 20 60 .0685801 |
     +---------------------------------------+

.переименовать _at1 возраст

. переименовать _at2 вес

. переименовать _margin pr_highbp

.
 

Мы вызываем функцию pdataframe_from_data() в модуле stata , чтобы сохранить возраст , вес и pr_highbp в текущем наборе данных в кадре данных pandas с именем preddata2 .

предданные2 = статус. pdataframe_from_data(var=»возрастной вес pr_highbp»)

предданные2.голова()

	возраст	вес	pr_highbp
0	20	40	0.020091
1	20	45	0,027450
2	20	50	0,037401
3	20	55	0. 050771
4	20	60	0,068580

Получив этот кадр данных, мы можем создать такой же трехмерный график поверхности, как и выше.

Обратите внимание, что вы также можете использовать модуль Stata Function Interface (sfi) для доступа к основным функциям Stata.Сочетание этих инструментов значительно упрощает взаимодействие со Stata из Jupyter Notebook; см. пример 5: вызов Stata с использованием функций API.

Каталожные номера

Хантер, JD 2007. Matplotlib: среда 2D-графики. Вычисления в науке и технике 9: 90–95.

Макдауэлл, А., А. Энгель, Дж. Т. Мэсси и К. Маурер. 1981. План и проведение Второго национального обследования состояния здоровья и питания, 1976–1980 гг. Статистика естественного движения населения и здоровья 1(15): 1–144.

Маккинни, В. 2010. Структуры данных для статистических вычислений в Python. Материалы 9-й конференции Python в науке , 56–61. (ссылка издательства)

Олифант, Т.E. 2006. Руководство по NumPy , 2-е изд. Остин, Техас: Continuum Press.

Пес Ф. и Б. Э. Грейнджер. 2007. IPython: система для интерактивных научных вычислений, Computing in Science and Engineering 9: 21–29. DOI: 10.1109/MCSE.2007.53 (ссылка издателя)

Дополнительные ресурсы

Узнайте больше о возможностях программирования Stata.

Подробнее о том, как вызывать Stata из Python, см. в Справочном руководстве по программированию Stata ; см. модуль [P] PyStata.

Узнайте больше о пакете Python pystata .

Узнайте больше о том, как вызывать Python из Stata в Справочном руководстве по программированию Stata ; см.