Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

332

4

章 

Matplotlib

による可視化

これはおそらく、その範囲のランナーがほんの一握りであるため、分布の推定が少人数で行われた

ことが原因です。

In[38]: (data.age > 80).sum()

Out[38]: 7

スプリット率が負の男性に話を戻しましょう。これはどのようなランナーなのでしょう。スプ

リット率とゴール時間に相関はあるのでしょうか。自動的に線形回帰をデータに適用する

regplot

を使えば簡単にわかります（図 4-132）。

In[39]: g = sns.lmplot('final_sec', 'split_frac', col='gender', data=data,

markers=".", scatter_kws=dict(color='c'))

g.map(plt.axhline, y=0.1, color="k", ls=":");

図4-132　性別のスプリット率とゴール時間

明らかに小さなスプリット率を持つランナーは、約

15,000

秒（約

4

時間）以内にゴールしているエ

リートランナーです。それよりも遅い人は、後半遅くなる可能性が高いランナーです。

4.17

 その他のリソース

4.17.1

 

Matplotlib

リソース

1

つの章だけでは、

Matplotlib

で使用可能なすべての機能とプロットの種類を取り上げることは

できません。他のパッケージと同様に、

Matplotlib

の

API

を調べるには、

IPython

の

Tab

補完関数と

ヘルプ関数（「1.2 IPython ...