In [1]:
1 + 1
Out[1]:
In [2]:
3 - 4
Out[2]:
In [3]:
5 * 2
Out[3]:
In [4]:
6 / 3
Out[4]:
In [5]:
4 ** 2
Out[5]:
In [6]:
import numpy as np
np.sqrt(16)
Out[6]:
In [7]:
# 参考
import numpy
numpy.sqrt(16)
Out[7]:
In [8]:
x = 1
In [9]:
x + 1
Out[9]:
In [10]:
x
Out[10]:
In [11]:
a
Markdownを選択すると、説明を記載することができます。¶
In [12]:
# コメントです
# 1 + 1
In [13]:
1 + 1
Out[13]:
In [14]:
"""複数行に
わたる
コメントです
1 + 1"""
Out[14]:
CSVファイルからデータを読み込んで、一般化線形モデルを推定するデモ¶
In [15]:
# データを読み込むのに必要なライブラリ
import numpy as np
from pandas import Series,DataFrame
import pandas as pd
In [16]:
# arrayを作る（numpyのimportが必須です）
sample_array = np.array([1,2,3,4,5])
sample_array
Out[16]:
In [17]:
# DataFrameにする(pandasのimportが必須です)
pd.DataFrame({'col1':sample_array})
Out[17]:
In [18]:
# 複数列のDataFrameにする
pd.DataFrame({'col1':sample_array, 'col2':np.array([6,7,8,9,0])})
Out[18]:
In [19]:
# CSVファイルの読み込み
data = pd.read_csv("poissonData.csv")
In [20]:
# えさの量と猫の数を調べた架空の調査データです
data
Out[20]:
In [21]:
# クリップボードからも読み込めます
data2 = pd.read_clipboard()
data2
Out[21]:
In [22]:
# 統計モデルを推定するライブラリ
import statsmodels.api as sm
import statsmodels.formula.api as smf
# グラフを描画するライブラリ
from matplotlib import pyplot as plt
import seaborn as sns
# グラフをjupyter Notebook内に表示させるための指定
%matplotlib inline
In [23]:
# 散布図を書く
# fit_regをtrueにすると、回帰直線が引かれてしまうので注意
# 散布図の引き方はたくさんあるが、これが一番情報量が少なくてシンプルだと思います
sns.lmplot(x="esa", y="neko", data=data,fit_reg=False)
Out[23]:
In [24]:
# ポアソン回帰のモデルの設定
glm_pois = smf.glm(formula="neko ~ esa", data=data, family=sm.families.Poisson())
# fitという関数を実行すると、モデルが推定される
result_pois = glm_pois.fit()
# 結果の表示
result_pois.summary()
Out[24]:
In [25]:
# 予測用の説明変数を作る
esa_plot = np.arange(0, 5, 0.1)
# 結果の表示
esa_plot
Out[25]:
In [26]:
# DataFrameの形式にする
pd.DataFrame({'esa':esa_plot})
Out[26]:
In [27]:
# 予測する
pred = result_pois.predict(exog = pd.DataFrame({'esa':esa_plot}))
# 結果の表示
pred
Out[27]:
In [28]:
# 予測結果を図示する
sns.lmplot(x="esa", y="neko", data=data,fit_reg=False)
plt.plot(esa_plot, pred)
Out[28]:
In [ ]: