Untitled

From Innocent Porcupine, 1 Week ago, written in Python.

Embed

Download Paste or View Raw
Hits: 60

#!/usr/bin/env python

# coding: utf-8

# In[1]:

import pandas as pd

# In[3]:

get_ipython().run_line_magic('pinfo', 'pd')

# In[12]:

# dataframe ou quadra de dados

df = pd.DataFrame(

[

#{"nome": "JAYME", "altura": 171, "peso": 62},

{"altura": 173.1, "peso": 100}, #guilherme

{"altura": 181.6, "peso": 111}, # julian

{"altura": 189, "peso": 100}, #jackes

{"altura": 172.1, "peso": 71}, #marino

{"altura": 181.6, "peso": 102}, # dieison

{"altura": 167, "peso": 56}, # jayme

],

index = ["STALLONE", "SCHWARZENEGGER", "JOHNSON", "CRUISE", "DIESEL", "LINDA HAMILTON"]

)

df

# In[10]:

type(df)

# In[13]:

df.shape

# In[14]:

# prever o peso dos atores/atrizes com base na altura

# In[16]:

df.describe()

# In[20]:

df.altura.min(), df.altura.max()

# In[21]:

df.peso.min(), df.peso.max()

# In[23]:

df.peso.plot(kind="hist")

# In[24]:

df.altura.plot(kind="hist")

# In[27]:

df.plot()

# In[29]:

df.plot(kind="scatter", x="altura", y="peso")

# In[30]:

import seaborn as sns

sns.lmplot(x='altura',y='peso',data=df,fit_reg=True)

# In[60]:

import matplotlib.pyplot as plt

plt.scatter(df.altura, df.peso)

plt.xlim(0)

plt.ylim(-300)

# In[61]:

import matplotlib.pyplot as plt

plt.scatter(df.altura, df.peso)

plt.xlim(0)

plt.ylim(0)

# In[56]:

import seaborn as sns

sns.lmplot(x='altura',y='peso',data=df.append(pd.DataFrame([{"altura":0, "peso":-273}])), fit_reg=True)

# In[32]:

# y = ax + b

# b é onde passa a linha no eixo vertical

# a é o ângulo

# b está mais ou menos no ~65-70, 68

# a ~1.3, ou seja, para cada cm de altura, "ganha-se" `a` kg

# In[33]:

# botando a idade?

# quanto mais variáveis explicativas melhor

# exemplo: cor dos olhos, nos ajuda?

# In[34]:

from sklearn.linear_model import LinearRegression

# In[35]:

regressao_linear = LinearRegression()

# In[39]:

X = pd.DataFrame(df.altura)

y = df.peso

# In[43]:

X.shape

# In[42]:

y.shape

# In[44]:

# y é o que eu vou tentar entender, nesse peso

# X é o que eu vou usar/o que eu sei, nesse caso altura (pode ser idade, sexo etc)

regressao_linear.fit(X, y)

# In[45]:

# b é o intercepto

# a é o ângulo que é o parâmetro ligado a variável altura

# In[49]:

# b ou intercepto

# se eu tiver uma altura igual a zero, meu peso é -273

regressao_linear.intercept_

# In[51]:

# a ou coeficiente

# para cada cm que eu tiver, eu "ganho" ~2kg

regressao_linear.coef_

# In[62]:

# vou testar como está o meu modelo

teste = pd.DataFrame(

[

{"altura": 171, "peso": 62} # jayme

]

)

X_teste = pd.DataFrame(teste.altura)

# In[67]:

# predição em cima de um dado novo

regressao_linear.predict(X_teste)

# In[69]:

teste.loc[:, "predicao_peso"] = regressao_linear.predict(X_teste)

teste

# In[71]:

teste.loc[:, "erro_absoluto"] = teste.predicao_peso - teste.peso

teste

# In[ ]:

# In[72]:

# vou testar como está o meu modelo

teste = pd.DataFrame(

[

{"altura": 170, "peso": 53},

{"altura": 169, "peso": 65},

{"altura": 179, "peso": 75},

],

index = ["lily james", "messi", "lee daniels"]

)

X_teste = pd.DataFrame(teste.altura)

# In[73]:

teste.loc[:, "predicao_peso"] = regressao_linear.predict(X_teste)

teste

# In[74]:

teste.loc[:, "erro_absoluto"] = teste.predicao_peso - teste.peso

teste

# In[75]:

# erro medio de 16kg - para cima

teste.erro_absoluto.mean()

# In[77]:

teste.erro_absoluto.min(), teste.erro_absoluto.max()

# In[78]:

from sklearn.metrics import mean_absolute_error

# In[79]:

mean_absolute_error(y_true=teste.peso, y_pred=teste.predicao_peso)

# In[80]:

from sklearn.metrics import mean_squared_error

# In[81]:

mean_squared_error(y_true=teste.peso, y_pred=teste.predicao_peso)

# In[82]:

290 ** (1/2)

# In[83]:

pd.DataFrame(

[

{"filmes": "rambo I", "usuario": 1},

{"filmes": "rambo II", "usuario": 1},

{"filmes": "duro de matar", "usuario": 1},

{"filmes": "alien", "usuario": 2},

{"filmes": "rambo I", "usuario": 2}

]

)

# In[87]:

df = pd.DataFrame(

[

{"filmes": "rambo I", "usuario": 1, "filme_anterior": None},

{"filmes": "rambo II", "usuario": 1, "filme_anterior": "rambo I"},

{"filmes": "duro de matar", "usuario": 1, "filme_anterior": "rambo II"},

{"filmes": "alien", "usuario": 2, "filme_anterior": None},

{"filmes": "rambo I", "usuario": 2, "filme_anterior": "alien"},

{"filmes": None, "usuario": 2, "filme_anterior": "rambo I"},

]

)

df

# In[88]:

X = df.filme_anterior

y = df.filmes

X, y

# In[89]:

get_ipython().run_line_magic('pinfo', 'pd.read_sql')

Author

Title

Language

Your paste - Paste your paste here

#!/usr/bin/env python
# coding: utf-8

# In[1]:

import pandas as pd

# In[3]:

get_ipython().run_line_magic('pinfo', 'pd')

# In[12]:

# dataframe ou quadra de dados
df = pd.DataFrame(
    [
        #{"nome": "JAYME", "altura": 171, "peso": 62},
        {"altura": 173.1, "peso": 100}, #guilherme
        {"altura": 181.6, "peso": 111}, # julian
        {"altura": 189, "peso": 100}, #jackes
        {"altura": 172.1, "peso": 71}, #marino
        {"altura": 181.6, "peso": 102}, # dieison
        {"altura": 167, "peso": 56}, # jayme
    ],
    index = ["STALLONE", "SCHWARZENEGGER", "JOHNSON", "CRUISE", "DIESEL", "LINDA HAMILTON"]
)
df

# In[10]:

type(df)

# In[13]:

df.shape

# In[14]:

# prever o peso dos atores/atrizes com base na altura

# In[16]:

df.describe()

# In[20]:

df.altura.min(), df.altura.max()

# In[21]:

df.peso.min(), df.peso.max()

# In[23]:

df.peso.plot(kind="hist")

# In[24]:

df.altura.plot(kind="hist")

# In[27]:

df.plot()

# In[29]:

df.plot(kind="scatter", x="altura", y="peso")

# In[30]:

import seaborn as sns
sns.lmplot(x='altura',y='peso',data=df,fit_reg=True)

# In[60]:

import matplotlib.pyplot as plt
plt.scatter(df.altura, df.peso)
plt.xlim(0)
plt.ylim(-300)

# In[61]:

import matplotlib.pyplot as plt
plt.scatter(df.altura, df.peso)
plt.xlim(0)
plt.ylim(0)

# In[56]:

import seaborn as sns
sns.lmplot(x='altura',y='peso',data=df.append(pd.DataFrame([{"altura":0, "peso":-273}])), fit_reg=True)

# In[32]:

# y = ax + b
# b é onde passa a linha no eixo vertical
# a é o ângulo
# b está mais ou menos no ~65-70, 68
# a ~1.3, ou seja, para cada cm de altura, "ganha-se" `a` kg

# In[33]:

# botando a idade?
# quanto mais variáveis explicativas melhor
# exemplo: cor dos olhos, nos ajuda?

# In[34]:

from sklearn.linear_model import LinearRegression

# In[35]:

regressao_linear = LinearRegression()

# In[39]:

X = pd.DataFrame(df.altura)
y = df.peso

# In[43]:

X.shape

# In[42]:

y.shape

# In[44]:

# y é o que eu vou tentar entender, nesse peso
# X é o que eu vou usar/o que eu sei, nesse caso altura (pode ser idade, sexo etc)
regressao_linear.fit(X, y)

# In[45]:

# b é o intercepto
# a é o ângulo que é o parâmetro ligado a variável altura

# In[49]:

# b ou intercepto
# se eu tiver uma altura igual a zero, meu peso é -273
regressao_linear.intercept_

# In[51]:

# a ou coeficiente
# para cada cm que eu tiver, eu "ganho" ~2kg
regressao_linear.coef_

# In[62]:

# vou testar como está o meu modelo
teste = pd.DataFrame(
    [
        {"altura": 171, "peso": 62} # jayme
    ]
)

X_teste = pd.DataFrame(teste.altura)

# In[67]:

# predição em cima de um dado novo
regressao_linear.predict(X_teste)

# In[69]:

teste.loc[:, "predicao_peso"] = regressao_linear.predict(X_teste)
teste

# In[71]:

teste.loc[:, "erro_absoluto"] = teste.predicao_peso - teste.peso
teste

# In[ ]:

# In[72]:

# vou testar como está o meu modelo
teste = pd.DataFrame(
    [
        {"altura": 170, "peso": 53},
        {"altura": 169, "peso": 65},
        {"altura": 179, "peso": 75},
    ],
    index = ["lily james", "messi", "lee daniels"]
)

X_teste = pd.DataFrame(teste.altura)

# In[73]:

teste.loc[:, "predicao_peso"] = regressao_linear.predict(X_teste)
teste

# In[74]:

teste.loc[:, "erro_absoluto"] = teste.predicao_peso - teste.peso
teste

# In[75]:

# erro medio de 16kg - para cima
teste.erro_absoluto.mean()

# In[77]:

teste.erro_absoluto.min(), teste.erro_absoluto.max()

# In[78]:

from sklearn.metrics import mean_absolute_error

# In[79]:

mean_absolute_error(y_true=teste.peso, y_pred=teste.predicao_peso)

# In[80]:

from sklearn.metrics import mean_squared_error

# In[81]:

mean_squared_error(y_true=teste.peso, y_pred=teste.predicao_peso)

# In[82]:

290 ** (1/2)

# In[83]:

pd.DataFrame(
    [
        {"filmes": "rambo I", "usuario": 1},
        {"filmes": "rambo II", "usuario": 1},
        {"filmes": "duro de matar", "usuario": 1},
        {"filmes": "alien", "usuario": 2},
        {"filmes": "rambo I", "usuario": 2}
    ]
)

# In[87]:

df = pd.DataFrame(
    [
        {"filmes": "rambo I", "usuario": 1, "filme_anterior": None},
        {"filmes": "rambo II", "usuario": 1, "filme_anterior": "rambo I"},
        {"filmes": "duro de matar", "usuario": 1, "filme_anterior": "rambo II"},
        {"filmes": "alien", "usuario": 2, "filme_anterior": None},
        {"filmes": "rambo I", "usuario": 2, "filme_anterior": "alien"},
        {"filmes": None, "usuario": 2, "filme_anterior": "rambo I"},
    ]
)
df

# In[88]:

X = df.filme_anterior
y = df.filmes
X, y

# In[89]:

get_ipython().run_line_magic('pinfo', 'pd.read_sql')

Private - Private paste aren't shown in recent listings.

Delete After - When should we delete your paste?

Spam protection -

Reply to "Untitled"