Exercice - Analyser les données avec Seaborn
L’un des avantages d’Azure Notebooks, et de Python en général, est qu’il existe des milliers de bibliothèques open source dont vous pouvez tirer parti pour effectuer des tâches complexes sans avoir à écrire beaucoup de code. Dans cette unité, vous allez utiliser Seaborn, bibliothèque pour visualiser les statistiques, afin de tracer le second des deux jeux de données que vous avez chargés et qui couvre les années 1882 à 2014. Seaborn peut créer une ligne de régression accompagnée d’une projection montrant où les points de données doivent se situer dans la régression avec un simple appel de fonction.
Placez le curseur dans la cellule vide en bas du notebook. Remplacez le type de cellule par Markdown et entrez « Effectuer une régression linéaire avec Seaborn » comme texte.
Ajoutez une cellule Code et ajoutez-la dans le code suivant.
plt.scatter(years, mean) plt.title('scatter plot of mean temp difference vs year') plt.xlabel('years', fontsize=12) plt.ylabel('mean temp difference', fontsize=12) sns.regplot(yearsBase, meanBase) plt.show()Exécutez la cellule de code pour produire un graphique à nuages de points avec une ligne de régression et une représentation visuelle de la plage dans laquelle les points de données sont censés tomber.
Comparaison des valeurs réelles et des valeurs prédites générées avec Seaborn
Notez que les points de données des 100 premières années sont parfaitement conformes aux valeurs prédites, alors que les points de données de 1980 environ et au-delà ne le sont pas. Ce sont des modèles comme ceux-ci qui amènent les scientifiques à penser que le changement climatique s’accélère.