Учебное пособие на питоне

Морской это библиотека для создания статистической инфографики в Python. Он построен на вершине Матплотлиб а также поддерживает numpy и структуры данных Pandas. Он также поддерживает статистические единицы из Scipy Отказ

Визуализация играет важную роль, когда мы пытаемся исследовать и понимать данные, Seaborn направлен на то, чтобы облегчить и центр процесса. Чтобы положить в перспективу, если мы скажем, Matplotlib делает вещи более простыми и тяжелыми вещами возможными, Meeborn также пытается сделать это слишком легко, что тоже хорошо. Но Searborn не является альтернативой Matplotlib, думает об этом как дополнение к предыдущему.

Как он построен на вершине MATPLOTLIB, мы часто включаем функции MATPLOTLIB непосредственно для простых сюжетов на Matplotlib уже создали высокоэффективные программы для него.

Интерфейс высокого уровня Meanborn и настраиваемость и разнообразие брюк для MATPLOTLIB объединяют вместе, позволяет легко генерировать данные качества из публикации.

Почему морской?

Seanborn предлагает различные функциональные возможности, что делает его полезным и проще, чем другие рамки. Некоторые из этих функций:

Функция для разработки данных статистических временных рядов с гибкой оценкой и представлением неопределенности вокруг оценки
Функции для визуализации однонаправленных и двуразовых распределений или для сравнения их между подмножениями данных
Функции, которые визуализируют матрицы данных и используют алгоритмы кластеризации для обнаружения структуры в этих матрицах
Высокоуровневые абстракции для структурирования решеток участков, которые позволяют легко создавать сложные визуализации
Несколько встроенных тем для укладки MATPLOTLIB Графика
Инструменты для выбора цветных палитров, чтобы сделать красивые сюжеты, которые показывают узоры в ваших данных
Инструменты, которые соответствуют и визуализируют линейные регрессионные модели для различных видов независимых и зависимых переменных.

Начало работы с Seborn

Начните с Seborn, мы установим его на наших машинах.

Установите Meanborn

Searborn предполагает, что у вас есть бегущая платформа Python 2.7 или выше с Numpy (1.8.2 и выше), Scipy (0.13.3 и выше) и пакеты Pandas на устройствах.

Как только у нас есть эти Пакеты Python Установлен мы можем приступить к установке. Для Пип Установка, запустите следующую команду в терминале:

pip install seaborn

Если вам нравится Conda, вы также можете использовать Conda для установки пакета, выполните следующую команду:

conda install seaborn

Кроме того, вы можете использовать PIP, чтобы установить версию разработки непосредственно из GitHub:

pip install git+https://github.com/mwaskom/seaborn.git

Используя морской

Как только вы закончите с установкой, вы можете легко использовать Meanborn в вашем коде Python, импортируя его:

import seaborn

Управляющий рисунок эстетики

Когда дело доходит до визуализации, привлекательные фигуры важны.

Matplotlib очень настраивается, но одновременно его может быть сложно, так как трудно знать, какие настройки для настраивания для достижения хорошего сюжета. Searborn поставляется с рядом темов и интерфейсом высокого уровня для управления внешним видом рисунков MATPLOTLIB. Давайте посмотрим на это работает:

#matplotlib inline
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns

np.random.seed(sum(map(ord, "aesthetics")))

#Define a simple plot function, to plot offset sine waves
def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)
sinplot()

Это то, что сюжет выглядит с помощью matplotlib по умолчанию:

Если вы хотите переключиться на SeaBor по умолчанию, просто позвоните «Set» функцию:

sns.set()
sinplot()

Вот как этот сюжет выглядит сейчас:

Стили рисунков по морским рисункам

Seanborn предоставляет пять предустановленных тем: белая сетка, темная сетка, белая, темная и клещей, каждый подходит для разных приложений, а также личных предпочтений.

Darkgrid это один. Тема White Grid аналогична, но лучше подходит для участков с тяжелыми элементами данных, переключаться на белую сетку:

sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
sns.boxplot(data=data)

Выход будет:

Для многих участков сетка менее необходима. Удалите его, добавив этот фрагмент кода:

sns.set_style("dark")
sinplot()

Сюжет выглядит как:

Или попробуйте белый фон:

sns.set_style("white")
sinplot()

На этот раз фон выглядит как:

Иногда вы можете захотеть дать немного дополнительную структуру на участки, где галочки пригодны:

sns.set_style("ticks")
sinplot()

Сюжет выглядит как:

Удаление осей шипы

Вы можете позвонить презирать Функция, чтобы удалить их:

sinplot()
sns.despine()

Сюжет выглядит как:

Некоторые графики извлекают выгоду из компенсации шипов от данных. Когда галочки не охватывают весь диапазон оси, параметр отделки ограничит диапазон выживших шиповников:

f, ax = plt.subplots()
sns.violinplot(data=data)
sns.despine(offset=10, trim=True)

Сюжет выглядит как:

Вы также можете контролировать, какие шипы удаляются с дополнительными аргументами, чтобы презирать:

sns.set_style("whitegrid")
sns.boxplot(data=data, palette="deep")
sns.despine(left=True)

Сюжет выглядит как:

Временно устанавливать стиль рисунка

AXES_STYLE () Приходит, чтобы помочь, когда вам нужно установить стиль рисунка, временно:

with sns.axes_style("darkgrid"):
   plt.subplot(211)
   sinplot()
plt.subplot(212)
sinplot(-1)

Сюжет выглядит как:

Переопределенные элементы стилей морских

Словарь параметров может быть передан на RC аргумент AXES_STYLE () и set_style () Для того, чтобы настроить фигуры.

Примечание. Только параметры, которые являются частью определения стиля через этот метод, могут быть переопределены. Для других целей вы должны использовать Установить () Как требуется все параметры.

Если вы хотите увидеть, какие параметры включены, просто позвоните в функцию без каких-либо аргументов, возвращается объект:

sns.axes_style()

{'axes.axisbelow': True,
'axes.edgecolor': '.8',
'axes.facecolor': 'white',
'axes.grid': True,
'axes.labelcolor': '.15',
'axes.linewidth': 1.0,
'figure.facecolor': 'white',
'font.family': [u'sans-serif'],
'font.sans-serif': [u'Arial',
 u'DejaVu Sans',
 u'Liberation Sans',
 u'Bitstream Vera Sans',
 u'sans-serif'],
'grid.color': '.8',
'grid.linestyle': u'-',
'image.cmap': u'rocket',
'legend.frameon': False,
'legend.numpoints': 1,
'legend.scatterpoints': 1,
'lines.solid_capstyle': u'round',
'text.color': '.15',
'xtick.color': '.15',
'xtick.direction': u'out',
'xtick.major.size': 0.0,
'xtick.minor.size': 0.0,
'ytick.color': '.15',
'ytick.direction': u'out',
'ytick.major.size': 0.0,
'ytick.minor.size': 0.0}

Затем вы можете установить разные версии этих параметров:

sns.set_style("darkgrid", {"axes.facecolor": ".9"})
sinplot()

Сюжет выглядит как:

Масштабирование элементов участка

Давайте попробуем манипулировать масштабом сюжета. Мы можем сбросить параметры по умолчанию, вызывая набор ():

sns.set()

Четыре предустановленные контексты – бумаги, ноутбук, разговор и плакат. Стиль ноутбука – это значение по умолчанию, и использовалось на участках выше:

sns.set_context("paper")
sinplot()

Сюжет выглядит как:

sns.set_context("talk")
sinplot()

Сюжет выглядит как:

Заключение

В этом уроке мы видели это Морской облегчает манипулировать разными графическими участками. Мы видели примеры масштабирования и изменения контекста.

Searborn облегчает визуализацию данных привлекательным образом и облегчить чтение и понимать.