「データ視覚化のデザイン #1」をggplot2で実装する(in R) - QiitaDeleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?
ggplot2の積み上げグラフで並び順を手動で設定する方法 - Qiita
"counter","length","category" 50,0,NA 97,1,NA 122,2,NA 214,3,NA 134,4,NA 63,5,NA 204,0,"エンターテイメント" 633,1,"エンターテイメント" 400,2,"エンターテイメント" 315,3,"エンターテイメント" 292,4,"エンターテイメント" 490,5,"エンターテイメント" 14,0,"音楽" 100,1,"音楽" 151,2,"音楽" 186,3,"音楽" 552,4,"音楽" 131,5,"音楽" 130,1,"歌ってみた" 170,2,"歌ってみた" 2989,3,"歌ってみた" 1282,4,"歌ってみた" 347,5,"歌ってみた" 11,0,"演奏してみた" 86,1,"演奏してみた" 35,2,"演奏してみた" 125,3,"演奏してみた" 41,4,"演奏してみた" 34,
[R]ggplot2の装飾を手動で操作するにはmanual()を使う - Qiita
# read libraries and setting ---------------------------------------- library(ggplot2) library(tidyverse) # なんとなくフォントを変更 windowsFonts(Fo = windowsFont("Noto Sans CJK JP")) ggplot()+theme_set(theme_gray(base_size = 14, base_family = "Fo")) # ------------------------------------------------------------------- # Line type 一覧 ggplot()+ geom_hline(yintercept = 0, linetype = "blank")+ geom_hline(yinterc
![[R]ggplot2の装飾を手動で操作するにはmanual()を使う - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/f91c632b61ebcf982bf44d65ef55be358b69eae2/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fqiita-user-contents.imgix.net%252Fhttps%25253A%25252F%25252Fcdn.qiita.com%25252Fassets%25252Fpublic%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRnFpaXRhLWltYWdlLXN0b3JlLnMzLmFtYXpvbmF3cy5jb20lMkYwJTJGMjAxMzQ4JTJGcHJvZmlsZS1pbWFnZXMlMkYxNTA0OTI0MTMwP2l4bGliPXJiLTQuMC4wJmFyPTElM0ExJmZpdD1jcm9wJm1hc2s9ZWxsaXBzZSZiZz1GRkZGRkYmZm09cG5nMzImcz04ZjkxY2I1ZjExODM0NzdmODY5OGY1MmQ4ZmQ0Y2Y2Mg%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253D4b30249121c1bfe4d267ce4092b9e1c5%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCUiU1RGdncGxvdDIlRTMlODElQUUlRTglQTMlODUlRTklQTMlQkUlRTMlODIlOTIlRTYlODklOEIlRTUlOEIlOTUlRTMlODElQTclRTYlOTMlOEQlRTQlQkQlOUMlRTMlODElOTklRTMlODIlOEIlRTMlODElQUIlRTMlODElQUZtYW51YWwlMjglMjklRTMlODIlOTIlRTQlQkQlQkYlRTMlODElODYmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtcGFkPTAmcz1lZGJmNzYzZTZjOTYwZDIzYTFjNTA2ZDJlMGQxYWU2YQ%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDBtaXRhbWEmdHh0LWNvbG9yPSUyMzFFMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtcGFkPTAmcz01NjNmNTYwYTE3YmQ1NjE3NzM0ZTViNDUyYWQyMDljMw%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3Dd1e02f17fbaa53e7baf297b4d19ca01f)
作図の画質向上にチャレンジする（仮）【R, Python】 - Qiita
目次 （作成中） 結論 【大枠の結論】 画像サイズを大きくすればそれなりの画質にはなる 【課題】 Rだと一定以上きれいに描画する方法が見つからない（助けてください…） 【現状の最適解】 一方Pythonだとmatplotlibを使うと下図のようにそれなりに綺麗なプロットができる。 はじめに 「綺麗なプロットを作成したい！」 RやPythonを用いて解析するヒトたちに共通する望みかと思います。 そう、この図のように曲線を描いた時でも、どこかギザギザしたものになってしまう。 今回はこのギザギザをどうしたら改善できるかに挑戦したいと思います。 用いる言語はRとPythonになります。 画像サイズの定義 上図はRでデフォルトサイズのままpngデータで出力したものになります。 単純に画像サイズを大きくすれば質の向上が望めるかと思います。そこで以下からは画像サイズを1280*720として描画していきま
geometry > star shaped (星形) > Voronoi diagram - Qiita
GeForce GTX 1070 (8GB) ASRock Z170M Pro4S [Intel Z170chipset] Ubuntu 16.04.4 LTS desktop amd64 TensorFlow v1.7.0 cuDNN v5.1 for Linux CUDA v8.0 Python 3.5.2 IPython 6.0.0 -- An enhanced Interactive Python. gcc (Ubuntu 5.4.0-6ubuntu1~16.04.4) 5.4.0 20160609 GNU bash, version 4.3.48(1)-release (x86_64-pc-linux-gnu) scipy v0.19.1 geopandas v0.3.0 MATLAB R2017b (Home Edition) ADDA v.1.3b6 gnustep-gui-
[python高速化] scipyがNumbaのjitに負けるとき - Qiita
実行時間をデータの大きさ(datasize)に対してplotした． 環境はanaconda2.5+python3.6．OSはmacOS High Sierra. 結果 データのサイズが小さいとき（<10^4）はjitが早い．for-loopのある駄目なcodeでもjitを利用するとscipyより速い！！ データのサイズが大きいとき（>10^4）は生のscipy or numpyが早い． for-loopを使っただめなcodeはjitなしでは（勿論）悲惨． （緑（numpy+jit）と紫(bad numpy+jit)は殆ど重なっている） （橙（numpy）と青(scipy)も殆ど重なっている） おわりに はじめに述べたとおりデータ数が小さいときはjitで最適化したnumpyが生のnumpyのcodeより高速である． 今回は相関係数でしか試していないので結論の一般性については吟味が必要かもしれ
![[python高速化] scipyがNumbaのjitに負けるとき - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/cf81d2b694adfffb019a698c5ca296044e8dad49/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fqiita-user-contents.imgix.net%252Fhttps%25253A%25252F%25252Fcdn.qiita.com%25252Fassets%25252Fpublic%25252Farticle-ogp-background-afbab5eb44e0b055cce1258705637a91.png%253Fixlib%253Drb-4.0.0%2526w%253D1200%2526blend64%253DaHR0cHM6Ly9xaWl0YS11c2VyLXByb2ZpbGUtaW1hZ2VzLmltZ2l4Lm5ldC9odHRwcyUzQSUyRiUyRmF2YXRhcnMuZ2l0aHVidXNlcmNvbnRlbnQuY29tJTJGdSUyRjE4NTAzMTU2JTNGdiUzRDM_aXhsaWI9cmItNC4wLjAmYXI9MSUzQTEmZml0PWNyb3AmbWFzaz1lbGxpcHNlJmJnPUZGRkZGRiZmbT1wbmczMiZzPTk1NDM3ZWQwYmRkZjM3OGY0YzlmZWE0OGJhZGNmZDNi%2526blend-x%253D120%2526blend-y%253D467%2526blend-w%253D82%2526blend-h%253D82%2526blend-mode%253Dnormal%2526s%253Dbe79fbe98804f9e1818a8e5b51b0b4fd%3Fixlib%3Drb-4.0.0%26w%3D1200%26fm%3Djpg%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk2MCZoPTMyNCZ0eHQ9JTVCcHl0aG9uJUU5JUFCJTk4JUU5JTgwJTlGJUU1JThDJTk2JTVEJTIwc2NpcHklRTMlODElOENOdW1iYSVFMyU4MSVBRWppdCVFMyU4MSVBQiVFOCVCMiVBMCVFMyU4MSU5MSVFMyU4MiU4QiVFMyU4MSVBOCVFMyU4MSU4RCZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1wYWQ9MCZzPTE0NjNmODU3MDkxZjMzN2MwOTViOTdkMmIzNDUyOWNh%26mark-x%3D120%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTgzOCZoPTU4JnR4dD0lNDB0bmFnYWktZ2l0aHViJnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LXBhZD0wJnM9YjVjYzc5OGNmMTEwNzUzZDJlMmE3NDQwNzU1ZWVmYTk%26blend-x%3D242%26blend-y%3D480%26blend-w%3D838%26blend-h%3D46%26blend-fit%3Dcrop%26blend-crop%3Dleft%252Cbottom%26blend-mode%3Dnormal%26s%3D1b901f414d2c5e89bdbfeb885e6c24ec)
python 統計 t-test - Qiita
ググったら、pythonでのt-検定のやり方が日本語で少なかったため、メモ。 １、_indと_rel t-検定 scipy.stats.ttest_ind() 対応のあるt-検定 scipy.stats.ttest_rel（）（自信ない） ２、P値とt値 P値は以下でみれる。 scipy.stats.ttest_ind().pvalue t値は以下でみれる。（自身ない） scipy.stats.ttest_ind().statistic ３、stats.ttest_ind(df_true["age"],df_false["age"]) 引数は、pandasのデータフレームから列指定（シリーズ）を二つ並べたらできた。 参考リンク https://docs.scipy.org/doc/scipy-0.15.1/reference/generated/scipy.stats.ttest_rel.
SciPyリファレンス scipy.optimize 日本語訳 - Qiita
英語版 Optimization and root finding (scipy.optimize) — SciPy v1.3.0 Reference Guide 参考リンク 非線形最適化関数 — 機械学習の Python との出会い 最適化と求根 (scipy.optimize) SciPy optimizeは、場合によっては制約を受けることのある目的関数を最小化（または最大化）するための関数を提供します。非線形問題（局所的および大域的最適化アルゴリズムの両方をサポートする）、線形計画法、制約付きおよび非線形最小二乗法、球根およびカーブフィッティングのためのソルバーを含んでいます。 異なるソルバー間で共有される共通の関数とオブジェクトは、次のものがあります。 show_options([solver, method, disp]) 最適化ソルバーの追加オプションのドキュメントを表示する。
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Rで日本の人口Treemapプロット - Qiita
折れ線のjitterは止めようという話 - Qiita
for文を使いggplotで複数のグラフを一気に描画する
ggplot2のヒストグラムに累積比率を重ねる - Qiita
Scipy Lecture notes > data/populations.txt > サイトからダウンロードする | PDFには明示されていない - Qiita
返り値が複数ある関数に対してscipy.optimize.fminするとValueErrorが出るときの解決策 - Qiita
pythonによるShapiro wilkは使えず、Rを使用した。 - Qiita
ニューラルネットワークの超概要を理解してpythonに落とし込んでみる - Qiita
Python：Scipyのcorrelate2D (convolve2d)でいろいろ数える - Qiita
Scipyの数値積分の使い方 - Qiita
Python での回帰分析 --「子供にはすぐ解けて大人にはなかなか解けない問題」を例として - Qiita
scipyのquadベンチマーク - Qiita
