４７．2 変量の相関分析

import seaborn as sns

# Irisデータセットを読み込み
iris = sns.load_dataset("iris")

# DataFrameを表示
iris

# Irisデータ 散布図・相関行列

import numpy as np
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# Irisデータセットを読み込む
iris = sns.load_dataset("iris")

# ペアグリッドを作成し、種ごとに色分け
g = sns.PairGrid(iris, hue="species")

# 下三角部分に相関係数を表示
def corrfunc(x, y, **kws):
    species = iris['species'].unique()  # 種を取得
    corr_values = {}
    
    for sp in species:
        data = iris[iris['species'] == sp]  # 特定の種のデータを取得
        # 相関係数を計算
        r = np.corrcoef(data[x.name], data[y.name])[0, 1]  
        corr_values[sp] = r  # 計算した相関係数を保存
    
    ax = plt.gca()  # 現在の軸を取得
    # 各種の相関係数をグラフ内に表示
    ax.annotate(f'Setosa: ρ = {corr_values["setosa"]:.2f}\n'
                f'Versicolor: ρ = {corr_values["versicolor"]:.2f}\n'
                f'Virginica: ρ = {corr_values["virginica"]:.2f}',
                xy=(0.5, 0.5), xycoords='axes fraction',
                ha='center', va='center',
                fontsize=10, bbox=dict(facecolor='white', edgecolor='none', pad=2.0))

# 下三角部分に相関係数を表示
g.map_lower(corrfunc)

# 上三角部分に散布図を表示
g.map_upper(sns.scatterplot)

# 対角線にヒストグラムを表示
g.map_diag(sns.histplot)

# 凡例を追加
g.add_legend()

# グラフを表示
plt.show()

# Irisデータ 花びらの長さ（Petal Length）と幅（Petal Width）の回帰直線

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression

# Load the iris dataset
iris = sns.load_dataset("iris")  # Seabornからirisデータセットをロード

# 関数を作成し、回帰直線、回帰式、相関係数をプロットする
def plot_regression_with_equation_and_correlation(x, y, data, species, ax, position):
    sns.regplot(x=x, y=y, data=data, ax=ax, scatter=False, color="blue")  # 回帰直線をプロット（散布図は表示しない）
    ax.scatter(data[x], data[y], label=species, s=30)  # 各種のデータ点をプロット

    # 線形回帰モデルをフィットさせる
    model = LinearRegression()
    model.fit(data[[x]], data[y])  # 回帰モデルをデータに適用
    intercept = model.intercept_  # 切片を取得
    slope = model.coef_[0]  # 傾きを取得
    
    # 回帰直線の値を計算
    x_vals = np.array(ax.get_xlim())  # x軸の範囲を取得
    y_vals = intercept + slope * x_vals  # y軸の値を計算して直線を描画
    ax.plot(x_vals, y_vals, '--', color="red")  # 回帰直線をプロット（破線で表示）
    
    # 相関係数を計算
    correlation = np.corrcoef(data[x], data[y])[0, 1]
    
    # 回帰式と相関係数（ρ）を指定された位置に表示し、重ならないようにする
    equation = f"{species}: y = {slope:.2f}x + {intercept:.2f}, ρ = {correlation:.2f}"
    ax.text(position[0], position[1], equation, transform=ax.transAxes, fontsize=12, verticalalignment='top')

# matplotlibのfigureをセットアップ
fig, ax = plt.subplots(figsize=(12, 8))  # 12x8インチの図を作成

# 回帰式と相関係数を表示するための位置を定義
positions = [(0.05, 0.95), (0.05, 0.85), (0.05, 0.75)]

# 各種の回帰直線、回帰式、相関係数をプロット
for i, species in enumerate(iris['species'].unique()):  # 各種ごとに処理
    species_data = iris[iris['species'] == species]  # 特定の種のデータを取得
    plot_regression_with_equation_and_correlation("petal_length", "petal_width", species_data, species, ax, positions[i])

# 軸ラベルとタイトルを設定
ax.set_xlabel("Petal Length (cm)")  # x軸ラベル
ax.set_ylabel("Petal Width (cm)")  # y軸ラベル
ax.set_title("Petal Length vs. Petal Width with Regression Lines, Equations, and Correlations by Species")  # グラフタイトル

# 凡例を追加
ax.legend(loc="best")  # 最適な位置に凡例を表示

# グラフを表示
plt.show()  # プロットを表示