lab2

correlation.ipynb

@@ -79,12 +79,12 @@
   },
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 27,
    "metadata": {},
    "outputs": [],
    "source": [
     "import pandas as pd\n",
-    "brainFrame = pd.read_csv(?, delimiter='\\t')"
+    "brainFrame = pd.read_csv('titanic.csv', delimiter=',')"
    ]
   },
   {
@@ -102,7 +102,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "brainFrame.?()"
+    "brainFrame.head()"
    ]
   },
   {
@@ -118,7 +118,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "brainFrame.head(?)"
+    "brainFrame.head(10)"
    ]
   },
   {
@@ -134,7 +134,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "?"
+    "brainFrame.tail(8)"
    ]
   },
   {
@@ -159,7 +159,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "brainFrame.?()"
+    "brainFrame.describe()"
    ]
   },
   {
@@ -176,7 +176,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 9,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -195,12 +195,12 @@
   },
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 28,
    "metadata": {},
    "outputs": [],
    "source": [
-    "menDf = brainFrame[?]\n",
-    "womenDf = brainFrame[?]"
+    "menDf = brainFrame[brainFrame['Sex'] == 'male']\n",
+    "womenDf = brainFrame[brainFrame['Sex'] == 'female']"
    ]
   },
   {
@@ -244,11 +244,10 @@
    "source": [
     "# Ячейка для кода № 7\n",
     "# Постройка графика диаграммы рассеяния для кадра данных с женскими записями\n",
-    "womenMeanSmarts = ???\n",
-    "plt.scatter(???)\n",
-    "\n",
-    "#\n",
-    "#"
+    "womenMeanSmarts =womenDf[[\"PIQ\", \"FSIQ\", \"VIQ\"]].mean(axis=1)\n",
+    "plt.scatter(womenMeanSmarts, womenDf[\"MRI_Count\"])\n",
+    "plt.show()\n",
+    "%matplotlib inline\n"
    ]
   },
   {
@@ -272,7 +271,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "brainFrame.?(method='pearson')"
+    "brainFrame.corr(method='pearson')"
    ]
   },
   {
@@ -286,7 +285,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "(ответ)"
+    " Корреляция переменной с самой собой всегда равна 1, потому что это полная линейная зависимость"
    ]
   },
   {
@@ -300,7 +299,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "(ответ)"
+    "Корреляция между переменными A и B также равна корреляции между переменными B и A"
    ]
   },
   {
@@ -316,7 +315,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "womenDf.?(method='pearson')"
+    "womenDf.corr(method='pearson')"
    ]
   },
   {
@@ -332,7 +331,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Используйте corr() для расчёта критерия корреляции Пирсона для кадра данных с мужчинами\n"
+    "menDf.corr(method='pearson')\n"
    ]
   },
   {
@@ -404,10 +403,10 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "# Ячейка для кода № 14\n",
-    "mcorr = ???\n",
-    "#\n",
-    "#"
+    "import seaborn as sns\n",
+    "\n",
+    "mcorr = menDf.corr()\n",
+    "sns.heatmap(wcorr)"
    ]
   },
   {
@@ -421,7 +420,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "(ответ)"
+    "Это означает, что между этими переменными нет линейной зависимости"
    ]
   },
   {
@@ -435,7 +434,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "(ответ)"
+    "Для удобного анализа"
    ]
   },
   {
@@ -470,7 +469,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.11.5"
+   "version": "3.12.2"
   }
  },
  "nbformat": 4,