Visualizando muitas variáveis

À medida que você passa a considerar mais variáveis, plotar todas ao mesmo tempo fica cada vez mais difícil. Além de usar as escalas x e y para duas variáveis numéricas, você pode usar cor para uma terceira variável numérica e usar facetas para variáveis categóricas. E esse é praticamente o limite antes que os gráficos fiquem difíceis de interpretar. Existem alguns tipos de gráfico especializados, como mapas de calor de correlação e gráficos de coordenadas paralelas, que lidam com mais variáveis, mas eles oferecem bem menos informação sobre cada variável e não são ótimos para visualizar previsões de modelos.

Aqui você vai levar o gráfico de dispersão ao limite, mostrando o preço do imóvel, a distância até a estação de MRT, o número de lojas de conveniência próximas e a idade do imóvel, tudo junto em um único gráfico.

taiwan_real_estate está disponível.

Este exercicio faz parte do curso

Regressão Intermediária com statsmodels em Python

Ver curso

Instruções do exercicio

Crie uma grade de facetas para cada house_age_years em taiwan_real_estate.
Usando o conjunto de dados taiwan_real_estate, desenhe um gráfico de dispersão de n_convenience versus sqrt_dist_to_mrt_m, colorido por price_twd_msq.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Prepare the grid using taiwan_real_estate, for each house age category, colored by price_twd_msq
grid = ____(data=____,
            col=____,
            hue=____,
            palette="plasma")

# Plot the scatterplots with sqrt_dist_to_mrt_m on the x-axis and n_convenience on the y-axis
grid.map(____,
         ____,
         ____)

# Show the plot (brighter colors mean higher prices)
plt.show()

Editar e Executar Código