Comprendre les différences entre les variables
Vous allez maintenant analyser les moyennes et écarts-types de chaque variable en les traçant dans un diagramme à barres. C'est une étape complémentaire à la précédente, car vous allez explorer visuellement les différences d'échelles et de variances entre les variables.
La bibliothèque pandas est importée sous pd et matplotlib.pyplot sous plt. De plus, l'ensemble de données wholesale a été chargé comme DataFrame pandas, tandis que les moyennes et les écarts-types de chaque colonne de wholesale sont chargés comme Series pandas nommées respectivement averages et std_devs. N'hésitez pas à les explorer dans la console.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Créez une liste avec les noms de colonnes de
wholesaleet une autre avec les valeurs triées de 0 jusqu'au nombre de colonnes dewholesale. - Tracez
averagesen gris etstd_devsen orange, et décalez l'axe des x de 0,2. - Ajoutez
x_ixcomme graduations etx_namescomme étiquettes, et assurez-vous de les faire pivoter de 90 degrés. - Ajoutez la légende et affichez le graphique.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create column names list and same length integer list
x_names = wholesale.___
x_ix = np.arange(wholesale.shape[1])
# Plot the averages data in gray and standard deviations in orange
plt.bar(x=x_ix-___, height=averages, color='grey', label='Average', width=0.4)
plt.bar(x=x_ix+___, height=std_devs, color='orange', label='Standard Deviation', width=0.4)
# Add x-axis labels and rotate
plt.xticks(ticks=___, labels=x_names, rotation=90)
# Add the legend and display the chart
plt.legend()
plt.___()