目录
Python数据处理从零开始----第四章（可视化）⑨线性相关曲线
===============================================
===============================================
通过R语言我们可以绘制两个变量的相关图，我所使用的是皮尔森相关，主要的参数是：①r相关系数②P值。一般对P值的评判标准是P< 0.05
简单的相关系数的分类
0.8-1.0 极强相关
0.6-0.8 强相关
0.4-0.6 中等程度相关
0.2-0.4 弱相关
0.0-0.2 极弱相关或无相关
r描述的是两个变量间线性相关强弱的程度。r的取值在-1与+1之间，若r>0，表明两个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；若r<0，表明两个变量是负相关，即一个变量的值越大另一个变量的值反而会越小。r 的绝对值越大表明相关性越强，要注意的是这里并不存在因果关系。
基础拟合曲线绘制
# -*- coding: utf-8 -*-
"""
Created on Mon Nov 19 00:57:53 2018
@author: czh
"""
# In[*]
#导入各种需要的包#
import numpy as np
import matplotlib.pyplot as plt
from scipy import optimize
import seaborn as sns
sns.set()
# In[*]
import seaborn as sns
sns.set(style="darkgrid")
tips = sns.load_dataset("tips")
g = sns.jointplot("total_bill", "tip", data=tips, kind="reg",
xlim=(0, 60), ylim=(0, 12), color="m", height=7)
这是通过python语言绘制的线性相关曲线拟合图，感觉比R语言在代码上更简洁，且图片能展示的信息更多。
多分组拟合曲线绘制
# -*- coding: utf-8 -*-
"""
Created on Mon Nov 19 00:57:53 2018
@author: czh
"""
# In[*]
#导入各种需要的包#
import numpy as np
import matplotlib.pyplot as plt
from scipy import optimize
import seaborn as sns
sns.set()
# In[*]
# Load the iris dataset
iris = sns.load_dataset("iris")
# Plot sepal with as a function of sepal_length across days
g = sns.lmplot(x="sepal_length", y="sepal_width",hue='species',
truncate=True, height=5, data=iris)
# Use more informative axis labels than are provided by default
g.set_axis_labels("Sepal length (mm)", "Sepal width (mm)")
