総合実験（１日目）Jupyter Notebook を使った基本統計量の計算と可視化

2016年に作った資料を公開します。もう既にいろいろ古くなってる可能性が高いです。

Jupyter Notebook (IPython Notebook) とは

• Python という名のプログラミング言語が使えるプログラミング環境。計算コードと計算結果を同じ場所に時系列で保存できるので、実験系における実験ノートのように、いつどんな処理を行って何を得たのか記録して再現するのに便利。

まずは、意味が分からなくてもいいので使ってみましょう

• 本実習ではまず、下のプログラムを順次実行してもらいます。各自の画面中の IPython Notebook のセルに順次入力して（コピペ可）、「Shift + Enter」してください。

# URL によるリソースへのアクセスを提供するライブラリをインポートする。
# import urllib # Python 2 の場合
import urllib.request # Python 3 の場合

# ウェブ上のリソースを指定する
url = 'https://raw.githubusercontent.com/maskot1977/ipython_notebook/master/toydata/iris.txt'

# 指定したURLからリソースをダウンロードし、名前をつける。
# urllib.urlretrieve(url, 'iris.txt') # Python 2 の場合
urllib.request.urlretrieve(url, 'iris.txt') # Python 3 の場合

('iris.txt', <httplib.HTTPMessage instance at 0x10621c638>)

# ダウンロードしたファイルの中身を確認する。
for line in open('iris.txt'):
    print (line)

	Sepal.Length	Sepal.Width	Petal.Length	Petal.Width	Species

1	5.1	3.5	1.4	0.2	setosa

2	4.9	3	1.4	0.2	setosa

3	4.7	3.2	1.3	0.2	setosa

4	4.6	3.1	1.5	0.2	setosa

5	5	3.6	1.4	0.2	setosa

6	5.4	3.9	1.7	0.4	setosa

7	4.6	3.4	1.4	0.3	setosa

8	5	3.4	1.5	0.2	setosa

9	4.4	2.9	1.4	0.2	setosa

10	4.9	3.1	1.5	0.1	setosa

11	5.4	3.7	1.5	0.2	setosa

12	4.8	3.4	1.6	0.2	setosa

13	4.8	3	1.4	0.1	setosa

14	4.3	3	1.1	0.1	setosa

15	5.8	4	1.2	0.2	setosa

16	5.7	4.4	1.5	0.4	setosa

17	5.4	3.9	1.3	0.4	setosa

18	5.1	3.5	1.4	0.3	setosa

19	5.7	3.8	1.7	0.3	setosa

20	5.1	3.8	1.5	0.3	setosa

21	5.4	3.4	1.7	0.2	setosa

22	5.1	3.7	1.5	0.4	setosa

23	4.6	3.6	1	0.2	setosa

24	5.1	3.3	1.7	0.5	setosa

25	4.8	3.4	1.9	0.2	setosa

26	5	3	1.6	0.2	setosa

27	5	3.4	1.6	0.4	setosa

28	5.2	3.5	1.5	0.2	setosa

29	5.2	3.4	1.4	0.2	setosa

30	4.7	3.2	1.6	0.2	setosa

31	4.8	3.1	1.6	0.2	setosa

32	5.4	3.4	1.5	0.4	setosa

33	5.2	4.1	1.5	0.1	setosa

34	5.5	4.2	1.4	0.2	setosa

35	4.9	3.1	1.5	0.2	setosa

36	5	3.2	1.2	0.2	setosa

37	5.5	3.5	1.3	0.2	setosa

38	4.9	3.6	1.4	0.1	setosa

39	4.4	3	1.3	0.2	setosa

40	5.1	3.4	1.5	0.2	setosa

41	5	3.5	1.3	0.3	setosa

42	4.5	2.3	1.3	0.3	setosa

43	4.4	3.2	1.3	0.2	setosa

44	5	3.5	1.6	0.6	setosa

45	5.1	3.8	1.9	0.4	setosa

46	4.8	3	1.4	0.3	setosa

47	5.1	3.8	1.6	0.2	setosa

48	4.6	3.2	1.4	0.2	setosa

49	5.3	3.7	1.5	0.2	setosa

50	5	3.3	1.4	0.2	setosa

51	7	3.2	4.7	1.4	versicolor

52	6.4	3.2	4.5	1.5	versicolor

53	6.9	3.1	4.9	1.5	versicolor

54	5.5	2.3	4	1.3	versicolor

55	6.5	2.8	4.6	1.5	versicolor

56	5.7	2.8	4.5	1.3	versicolor

57	6.3	3.3	4.7	1.6	versicolor

58	4.9	2.4	3.3	1	versicolor

59	6.6	2.9	4.6	1.3	versicolor

60	5.2	2.7	3.9	1.4	versicolor

61	5	2	3.5	1	versicolor

62	5.9	3	4.2	1.5	versicolor

63	6	2.2	4	1	versicolor

64	6.1	2.9	4.7	1.4	versicolor

65	5.6	2.9	3.6	1.3	versicolor

66	6.7	3.1	4.4	1.4	versicolor

67	5.6	3	4.5	1.5	versicolor

68	5.8	2.7	4.1	1	versicolor

69	6.2	2.2	4.5	1.5	versicolor

70	5.6	2.5	3.9	1.1	versicolor

71	5.9	3.2	4.8	1.8	versicolor

72	6.1	2.8	4	1.3	versicolor

73	6.3	2.5	4.9	1.5	versicolor

74	6.1	2.8	4.7	1.2	versicolor

75	6.4	2.9	4.3	1.3	versicolor

76	6.6	3	4.4	1.4	versicolor

77	6.8	2.8	4.8	1.4	versicolor

78	6.7	3	5	1.7	versicolor

79	6	2.9	4.5	1.5	versicolor

80	5.7	2.6	3.5	1	versicolor

81	5.5	2.4	3.8	1.1	versicolor

82	5.5	2.4	3.7	1	versicolor

83	5.8	2.7	3.9	1.2	versicolor

84	6	2.7	5.1	1.6	versicolor

85	5.4	3	4.5	1.5	versicolor

86	6	3.4	4.5	1.6	versicolor

87	6.7	3.1	4.7	1.5	versicolor

88	6.3	2.3	4.4	1.3	versicolor

89	5.6	3	4.1	1.3	versicolor

90	5.5	2.5	4	1.3	versicolor

91	5.5	2.6	4.4	1.2	versicolor

92	6.1	3	4.6	1.4	versicolor

93	5.8	2.6	4	1.2	versicolor

94	5	2.3	3.3	1	versicolor

95	5.6	2.7	4.2	1.3	versicolor

96	5.7	3	4.2	1.2	versicolor

97	5.7	2.9	4.2	1.3	versicolor

98	6.2	2.9	4.3	1.3	versicolor

99	5.1	2.5	3	1.1	versicolor

100	5.7	2.8	4.1	1.3	versicolor

101	6.3	3.3	6	2.5	virginica

102	5.8	2.7	5.1	1.9	virginica

103	7.1	3	5.9	2.1	virginica

104	6.3	2.9	5.6	1.8	virginica

105	6.5	3	5.8	2.2	virginica

106	7.6	3	6.6	2.1	virginica

107	4.9	2.5	4.5	1.7	virginica

108	7.3	2.9	6.3	1.8	virginica

109	6.7	2.5	5.8	1.8	virginica

110	7.2	3.6	6.1	2.5	virginica

111	6.5	3.2	5.1	2	virginica

112	6.4	2.7	5.3	1.9	virginica

113	6.8	3	5.5	2.1	virginica

114	5.7	2.5	5	2	virginica

115	5.8	2.8	5.1	2.4	virginica

116	6.4	3.2	5.3	2.3	virginica

117	6.5	3	5.5	1.8	virginica

118	7.7	3.8	6.7	2.2	virginica

119	7.7	2.6	6.9	2.3	virginica

120	6	2.2	5	1.5	virginica

121	6.9	3.2	5.7	2.3	virginica

122	5.6	2.8	4.9	2	virginica

123	7.7	2.8	6.7	2	virginica

124	6.3	2.7	4.9	1.8	virginica

125	6.7	3.3	5.7	2.1	virginica

126	7.2	3.2	6	1.8	virginica

127	6.2	2.8	4.8	1.8	virginica

128	6.1	3	4.9	1.8	virginica

129	6.4	2.8	5.6	2.1	virginica

130	7.2	3	5.8	1.6	virginica

131	7.4	2.8	6.1	1.9	virginica

132	7.9	3.8	6.4	2	virginica

133	6.4	2.8	5.6	2.2	virginica

134	6.3	2.8	5.1	1.5	virginica

135	6.1	2.6	5.6	1.4	virginica

136	7.7	3	6.1	2.3	virginica

137	6.3	3.4	5.6	2.4	virginica

138	6.4	3.1	5.5	1.8	virginica

139	6	3	4.8	1.8	virginica

140	6.9	3.1	5.4	2.1	virginica

141	6.7	3.1	5.6	2.4	virginica

142	6.9	3.1	5.1	2.3	virginica

143	5.8	2.7	5.1	1.9	virginica

144	6.8	3.2	5.9	2.3	virginica

145	6.7	3.3	5.7	2.5	virginica

146	6.7	3	5.2	2.3	virginica

147	6.3	2.5	5	1.9	virginica

148	6.5	3	5.2	2	virginica

149	6.2	3.4	5.4	2.3	virginica

150	5.9	3	5.1	1.8	virginica

# ダウンロードしたファイルの中身を確認する（行番号付き）
for i, line in enumerate(open('iris.txt')):
    print (i, line)
    if i > 5:
        break

0 	Sepal.Length	Sepal.Width	Petal.Length	Petal.Width	Species

1 1	5.1	3.5	1.4	0.2	setosa

2 2	4.9	3	1.4	0.2	setosa

3 3	4.7	3.2	1.3	0.2	setosa

4 4	4.6	3.1	1.5	0.2	setosa

5 5	5	3.6	1.4	0.2	setosa

6 6	5.4	3.9	1.7	0.4	setosa

# ダウンロードしたファイルの中身を確認する（先頭行を無視して、空白でデータ区切りをする）
for i, line in enumerate(open('iris.txt')):
    if i == 0:
        continue
    else:
        a = line.split()
        print (a)
    if i > 5:
        break

['1', '5.1', '3.5', '1.4', '0.2', 'setosa']
['2', '4.9', '3', '1.4', '0.2', 'setosa']
['3', '4.7', '3.2', '1.3', '0.2', 'setosa']
['4', '4.6', '3.1', '1.5', '0.2', 'setosa']
['5', '5', '3.6', '1.4', '0.2', 'setosa']
['6', '5.4', '3.9', '1.7', '0.4', 'setosa']

# ダウンロードしたファイルから、指定した列の数字をリストに入れる。
x1 = []
for i, line in enumerate(open('iris.txt')):
    if i == 0:
        continue
    else:
        a = line.split()
        x1.append(float(a[1]))

# リスト x1 の中身を確認する。
print (x1)

[5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.4, 4.9, 5.4, 4.8, 4.8, 4.3, 5.8, 5.7, 5.4, 5.1, 5.7, 5.1, 5.4, 5.1, 4.6, 5.1, 4.8, 5.0, 5.0, 5.2, 5.2, 4.7, 4.8, 5.4, 5.2, 5.5, 4.9, 5.0, 5.5, 4.9, 4.4, 5.1, 5.0, 4.5, 4.4, 5.0, 5.1, 4.8, 5.1, 4.6, 5.3, 5.0, 7.0, 6.4, 6.9, 5.5, 6.5, 5.7, 6.3, 4.9, 6.6, 5.2, 5.0, 5.9, 6.0, 6.1, 5.6, 6.7, 5.6, 5.8, 6.2, 5.6, 5.9, 6.1, 6.3, 6.1, 6.4, 6.6, 6.8, 6.7, 6.0, 5.7, 5.5, 5.5, 5.8, 6.0, 5.4, 6.0, 6.7, 6.3, 5.6, 5.5, 5.5, 6.1, 5.8, 5.0, 5.6, 5.7, 5.7, 6.2, 5.1, 5.7, 6.3, 5.8, 7.1, 6.3, 6.5, 7.6, 4.9, 7.3, 6.7, 7.2, 6.5, 6.4, 6.8, 5.7, 5.8, 6.4, 6.5, 7.7, 7.7, 6.0, 6.9, 5.6, 7.7, 6.3, 6.7, 7.2, 6.2, 6.1, 6.4, 7.2, 7.4, 7.9, 6.4, 6.3, 6.1, 7.7, 6.3, 6.4, 6.0, 6.9, 6.7, 6.9, 5.8, 6.8, 6.7, 6.7, 6.3, 6.5, 6.2, 5.9]

# ダウンロードしたファイルから、４つの列の数字をそれぞれ４つのリストに入れる。
x1 = []
x2 = []
x3 = []
x4 = []
for i, line in enumerate(open('iris.txt')):
    if i == 0:
        continue
    else:
        a = line.split()
        x1.append(float(a[1]))
        x2.append(float(a[2]))
        x3.append(float(a[3]))
        x4.append(float(a[4]))

# リスト x1 の中身を確認する。
print (x1)

[5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.4, 4.9, 5.4, 4.8, 4.8, 4.3, 5.8, 5.7, 5.4, 5.1, 5.7, 5.1, 5.4, 5.1, 4.6, 5.1, 4.8, 5.0, 5.0, 5.2, 5.2, 4.7, 4.8, 5.4, 5.2, 5.5, 4.9, 5.0, 5.5, 4.9, 4.4, 5.1, 5.0, 4.5, 4.4, 5.0, 5.1, 4.8, 5.1, 4.6, 5.3, 5.0, 7.0, 6.4, 6.9, 5.5, 6.5, 5.7, 6.3, 4.9, 6.6, 5.2, 5.0, 5.9, 6.0, 6.1, 5.6, 6.7, 5.6, 5.8, 6.2, 5.6, 5.9, 6.1, 6.3, 6.1, 6.4, 6.6, 6.8, 6.7, 6.0, 5.7, 5.5, 5.5, 5.8, 6.0, 5.4, 6.0, 6.7, 6.3, 5.6, 5.5, 5.5, 6.1, 5.8, 5.0, 5.6, 5.7, 5.7, 6.2, 5.1, 5.7, 6.3, 5.8, 7.1, 6.3, 6.5, 7.6, 4.9, 7.3, 6.7, 7.2, 6.5, 6.4, 6.8, 5.7, 5.8, 6.4, 6.5, 7.7, 7.7, 6.0, 6.9, 5.6, 7.7, 6.3, 6.7, 7.2, 6.2, 6.1, 6.4, 7.2, 7.4, 7.9, 6.4, 6.3, 6.1, 7.7, 6.3, 6.4, 6.0, 6.9, 6.7, 6.9, 5.8, 6.8, 6.7, 6.7, 6.3, 6.5, 6.2, 5.9]

# リスト x2 の中身を確認する。
print (x2)

[3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2.9, 3.1, 3.7, 3.4, 3.0, 3.0, 4.0, 4.4, 3.9, 3.5, 3.8, 3.8, 3.4, 3.7, 3.6, 3.3, 3.4, 3.0, 3.4, 3.5, 3.4, 3.2, 3.1, 3.4, 4.1, 4.2, 3.1, 3.2, 3.5, 3.6, 3.0, 3.4, 3.5, 2.3, 3.2, 3.5, 3.8, 3.0, 3.8, 3.2, 3.7, 3.3, 3.2, 3.2, 3.1, 2.3, 2.8, 2.8, 3.3, 2.4, 2.9, 2.7, 2.0, 3.0, 2.2, 2.9, 2.9, 3.1, 3.0, 2.7, 2.2, 2.5, 3.2, 2.8, 2.5, 2.8, 2.9, 3.0, 2.8, 3.0, 2.9, 2.6, 2.4, 2.4, 2.7, 2.7, 3.0, 3.4, 3.1, 2.3, 3.0, 2.5, 2.6, 3.0, 2.6, 2.3, 2.7, 3.0, 2.9, 2.9, 2.5, 2.8, 3.3, 2.7, 3.0, 2.9, 3.0, 3.0, 2.5, 2.9, 2.5, 3.6, 3.2, 2.7, 3.0, 2.5, 2.8, 3.2, 3.0, 3.8, 2.6, 2.2, 3.2, 2.8, 2.8, 2.7, 3.3, 3.2, 2.8, 3.0, 2.8, 3.0, 2.8, 3.8, 2.8, 2.8, 2.6, 3.0, 3.4, 3.1, 3.0, 3.1, 3.1, 3.1, 2.7, 3.2, 3.3, 3.0, 2.5, 3.0, 3.4, 3.0]

# リスト x3 の中身を確認する。
print (x3)

[1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.4, 1.5, 1.5, 1.6, 1.4, 1.1, 1.2, 1.5, 1.3, 1.4, 1.7, 1.5, 1.7, 1.5, 1.0, 1.7, 1.9, 1.6, 1.6, 1.5, 1.4, 1.6, 1.6, 1.5, 1.5, 1.4, 1.5, 1.2, 1.3, 1.4, 1.3, 1.5, 1.3, 1.3, 1.3, 1.6, 1.9, 1.4, 1.6, 1.4, 1.5, 1.4, 4.7, 4.5, 4.9, 4.0, 4.6, 4.5, 4.7, 3.3, 4.6, 3.9, 3.5, 4.2, 4.0, 4.7, 3.6, 4.4, 4.5, 4.1, 4.5, 3.9, 4.8, 4.0, 4.9, 4.7, 4.3, 4.4, 4.8, 5.0, 4.5, 3.5, 3.8, 3.7, 3.9, 5.1, 4.5, 4.5, 4.7, 4.4, 4.1, 4.0, 4.4, 4.6, 4.0, 3.3, 4.2, 4.2, 4.2, 4.3, 3.0, 4.1, 6.0, 5.1, 5.9, 5.6, 5.8, 6.6, 4.5, 6.3, 5.8, 6.1, 5.1, 5.3, 5.5, 5.0, 5.1, 5.3, 5.5, 6.7, 6.9, 5.0, 5.7, 4.9, 6.7, 4.9, 5.7, 6.0, 4.8, 4.9, 5.6, 5.8, 6.1, 6.4, 5.6, 5.1, 5.6, 6.1, 5.6, 5.5, 4.8, 5.4, 5.6, 5.1, 5.1, 5.9, 5.7, 5.2, 5.0, 5.2, 5.4, 5.1]

# リスト x4 の中身を確認する。
print (x4)

[0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0.2, 0.1, 0.2, 0.2, 0.1, 0.1, 0.2, 0.4, 0.4, 0.3, 0.3, 0.3, 0.2, 0.4, 0.2, 0.5, 0.2, 0.2, 0.4, 0.2, 0.2, 0.2, 0.2, 0.4, 0.1, 0.2, 0.2, 0.2, 0.2, 0.1, 0.2, 0.2, 0.3, 0.3, 0.2, 0.6, 0.4, 0.3, 0.2, 0.2, 0.2, 0.2, 1.4, 1.5, 1.5, 1.3, 1.5, 1.3, 1.6, 1.0, 1.3, 1.4, 1.0, 1.5, 1.0, 1.4, 1.3, 1.4, 1.5, 1.0, 1.5, 1.1, 1.8, 1.3, 1.5, 1.2, 1.3, 1.4, 1.4, 1.7, 1.5, 1.0, 1.1, 1.0, 1.2, 1.6, 1.5, 1.6, 1.5, 1.3, 1.3, 1.3, 1.2, 1.4, 1.2, 1.0, 1.3, 1.2, 1.3, 1.3, 1.1, 1.3, 2.5, 1.9, 2.1, 1.8, 2.2, 2.1, 1.7, 1.8, 1.8, 2.5, 2.0, 1.9, 2.1, 2.0, 2.4, 2.3, 1.8, 2.2, 2.3, 1.5, 2.3, 2.0, 2.0, 1.8, 2.1, 1.8, 1.8, 1.8, 2.1, 1.6, 1.9, 2.0, 2.2, 1.5, 1.4, 2.3, 2.4, 1.8, 1.8, 2.1, 2.4, 2.3, 1.9, 2.3, 2.5, 2.3, 1.9, 2.0, 2.3, 1.8]

平均値を求める関数を作る

• 同じ計算を繰り返すために、何度も同じプログラムを書くのは面倒です。関数を定義して、使いまわしましょう。

# 平均値を求める関数
def average(data):
    sum = 0.0
    n = 0.0
    for x in data:
        sum += x
        n += 1.0
    return sum / n

# リスト x1 の平均値を求める。
average(x1)

5.843333333333335

# すべてのリストの平均値をそれぞれ求める。
print (average(x1))
print (average(x2))
print (average(x3))
print (average(x4))

5.84333333333
3.05733333333
3.758
1.19933333333

分散を求める関数を作る

• 同じ計算を繰り返すために、何度も同じプログラムを書くのは面倒です。関数を定義して、使いまわしましょう。
• 分散とは何か？標準偏差とは何か？忘れてしまった人は右記を参照。 http://www.cybernet.co.jp/cetol/kousa/kousa7.html

# 分散を求める関数
def variance(data):
    ave = average(data)
    accum = 0.0
    n = 0.0
    for x in data:
        accum += (x - ave) ** 2.0
        n += 1.0
    return accum / n

# すべてのリストの分散をそれぞれ求める。
print (variance(x1))
print (variance(x2))
print (variance(x3))
print (variance(x4))

0.681122222222
0.188712888889
3.09550266667
0.577132888889

標準偏差を求める関数を作る

• 同じ計算を繰り返すために、何度も同じプログラムを書くのは面倒です。関数を定義して、使いまわしましょう。
• 分散とは何か？標準偏差とは何か？忘れてしまった人は右記を参照。 http://www.cybernet.co.jp/cetol/kousa/kousa7.html
• １行で書ける関数は、上の「平均を求める関数」や「分散を求める関数」のような定義もできますが、下の例のように lambda というキーワードを使って関数を定義することができます。
• 「import math」は、平方根（sqrt）などの数学関数を使うためのライブラリをインポートするために唱えます。

# 標準偏差を求める関数
import math
standard_deviation = lambda data: math.sqrt(variance(data))

# すべてのリストの標準偏差をそれぞれ求める。
print (standard_deviation(x1))
print (standard_deviation(x2))
print (standard_deviation(x3))
print (standard_deviation(x4))

0.825301291785
0.434410967735
1.75940406578
0.759692627902

共分散を求める関数を作る

• 同じ計算を繰り返すために、何度も同じプログラムを書くのは面倒です。関数を定義して、使いまわしましょう。
• 共分散とは何か？相関係数とは何か？忘れてしまった人は右記を参照。 http://kogures.com/hitoshi/webtext/stat-soukan/index.html

# 共分散（偏差積の平均）を求める関数
def covariance(data1, data2): 
    ave1 = average(data1)
    ave2 = average(data2)
    accum = 0.0
    n = 0.0
    for d1, d2 in zip(data1, data2):
        accum += (d1 - ave1) * (d2 - ave2)
        n += 1.0
    return accum / n

# すべてのリスト対の共分散をそれぞれ求める。
print (covariance(x1, x2))
print (covariance(x1, x3))
print (covariance(x1, x4))
print (covariance(x2, x3))
print (covariance(x2, x4))
print (covariance(x3, x4))

-0.0421511111111
1.26582
0.512828888889
-0.327458666667
-0.120828444444
1.286972

相関係数を求める関数を作る

• 同じ計算を繰り返すために、何度も同じプログラムを書くのは面倒です。関数を定義して、使いまわしましょう。
• 共分散とは何か？相関係数とは何か？忘れてしまった人は右記を参照。 http://kogures.com/hitoshi/webtext/stat-soukan/index.html
• １行で書ける関数は、上の「平均を求める関数」や「分散を求める関数」のような定義もできますが、下の例のように lambda というキーワードを使って関数を定義することができます。

# 相関係数を求める関数
correlation = lambda data1, data2: covariance(data1, data2) / (standard_deviation(data1) * standard_deviation(data2))

# すべてのリスト対の相関係数をそれぞれ求める。
print (correlation(x1, x2))
print (correlation(x1, x3))
print (correlation(x1, x4))
print (correlation(x2, x3))
print (correlation(x2, x4))
print (correlation(x3, x4))

-0.117569784133
0.871753775887
0.817941126272
-0.428440104331
-0.366125932536
0.962865431403

データを図示する

• 平均、分散、標準偏差、共分散、相関係数などの数字だけ見て満足せずに、データをヒストグラムで表したり、散布図にプロットしてデータの特徴を把握しましょう。

# 図やグラフを図示するためのライブラリをインポートする。
import matplotlib.pyplot as plt
%matplotlib inline

ヒストグラム

# x1のヒストグラム
plt.hist(x1, alpha=0.5)

(array([  9.,  23.,  14.,  27.,  22.,  20.,  18.,   6.,   5.,   6.]),
 array([ 4.3 ,  4.66,  5.02,  5.38,  5.74,  6.1 ,  6.46,  6.82,  7.18,
         7.54,  7.9 ]),
 <a list of 10 Patch objects>)

# x2のヒストグラム
plt.hist(x2, alpha=0.5)

(array([  4.,   7.,  22.,  24.,  37.,  31.,  10.,  11.,   2.,   2.]),
 array([ 2.  ,  2.24,  2.48,  2.72,  2.96,  3.2 ,  3.44,  3.68,  3.92,
         4.16,  4.4 ]),
 <a list of 10 Patch objects>)

# x3のヒストグラム
plt.hist(x3, alpha=0.5)

(array([ 37.,  13.,   0.,   3.,   8.,  26.,  29.,  18.,  11.,   5.]),
 array([ 1.  ,  1.59,  2.18,  2.77,  3.36,  3.95,  4.54,  5.13,  5.72,
         6.31,  6.9 ]),
 <a list of 10 Patch objects>)

# x4のヒストグラム
plt.hist(x4, alpha=0.5)

(array([ 41.,   8.,   1.,   7.,   8.,  33.,   6.,  23.,   9.,  14.]),
 array([ 0.1 ,  0.34,  0.58,  0.82,  1.06,  1.3 ,  1.54,  1.78,  2.02,
         2.26,  2.5 ]),
 <a list of 10 Patch objects>)

散布図(scatter plot)

# x1 と x2 の関係をプロットする。
plt.scatter(x1, x2, alpha=0.5)

<matplotlib.collections.PathCollection at 0x10f6a8390>

# x1 と x3 の関係をプロットする。
plt.scatter(x1, x3, alpha=0.5)

<matplotlib.collections.PathCollection at 0x10fa314d0>

# x1 と x4 の関係をプロットする。
plt.scatter(x1, x4, alpha=0.5)

<matplotlib.collections.PathCollection at 0x10fb8ad10>

# x2 と x3 の関係をプロットする。
plt.scatter(x2, x3, alpha=0.5)

<matplotlib.collections.PathCollection at 0x10fe34d90>

# x2 と x4 の関係をプロットする。
plt.scatter(x2, x4, alpha=0.5)

<matplotlib.collections.PathCollection at 0x10fef72d0>

# x3 と x4 の関係をプロットする。
plt.scatter(x3, x4, alpha=0.5)

<matplotlib.collections.PathCollection at 0x110046b10>

Scatter Matrix

• データの全体像を眺めたいと思った時、こういう方法も便利です。本日の実習では「こんな方法もあるんだな」と知っておく程度で十分です。

# 図やグラフを図示するためのライブラリをインポートする。
import matplotlib.pyplot as plt
%matplotlib inline
import pandas # データフレームワーク処理のライブラリをインポート
from pandas.tools import plotting # 高度なプロットを行うツールのインポート
df = pandas.read_csv('iris.txt', sep='\t', na_values=".") # データの読み込み
plotting.scatter_matrix(df[['Sepal.Length', 'Sepal.Width', 'Petal.Length', 'Petal.Width']], figsize=(10, 10))   #データのプロット
plt.show()

---

課題

新しいノートを開いて、以下の課題を解いてください。

• 課題１：下記URLからデータをダウンロードしてください。

• https://raw.githubusercontent.com/maskot1977/ipython_notebook/master/toydata/anscombe.txt

• 課題２： x1, x2, x3, x4, y1, y2, y3, y4 の平均値をそれぞれ求めてください。

• 課題３： x1, x2, x3, x4, y1, y2, y3, y4 の分散をそれぞれ求めてください。

• 課題４： x1, x2, x3, x4, y1, y2, y3, y4 の標準偏差をそれぞれ求めてください。

• 課題５： x1とy1の共分散、x2とy2の共分散、x3とy3の共分散、x4とy4の共分散をそれぞれ求めてください。

• 課題６： x1とy1の相関係数、x2とy2の相関係数、x3とy3の相関係数、x4とy4の相関係数をそれぞれ求めてください。

• 課題７： x1とy1の関係、x2とy2の関係、x3とy3の関係、x4とy4の関係をそれぞれ散布図としてプロットしてください。

総合実験（Pythonプログラミング）４日間コース

本稿は「総合実験（Pythonプログラミング）４日間コース」シリーズ記事です。興味ある方は以下の記事も合わせてお読みください。

• 総合実験（１日目）Jupyter Notebook を使った基本統計量の計算と可視化
• 総合実験（２日目）Jupyter Notebook を使った大規模データの可視化
• 総合実験（３日目）Jupyter Notebookを使った多変量解析
• 総合実験（４日目）Jupyter Notebookを使った機械学習