Автор оригинала: Pankaj Kumar.
Эй, ребята! В этой статье мы будем обсуждать о Визуализация данных через Meanborn Heatmermaps Отказ
Понимание тепломапа в библиотеке Searborn
Python получил различные модули для подготовки и представления данных в визуализированной форме для лучшего понимания созданной модели данных.
Модуль Python Searborn используется для визуализации данных и исследовать различные аспекты данных в графическом формате. Он построен на верхней части модуля Python Matplotlib, который также служит функциям, чтобы построить данные различными способами.
Морной нельзя рассматривать как альтернативу Matplotlib, но действительно можно рассматривать как функцию помощи в разведке и визуализации данных.
Meeborn имеет несколько встроенных функций для создания графов для визуализации данных. Одной из важных функций в направлении разведки и визуализации данных является тепломаплы.
Графические операторы Seanborn представляют данные в форме 2-мерный формат Отказ Тепломаплы Визуализируйте данные и представляют в форме сводки через график/цветные карты.
Он использует различные цветовые палитры и разные параметры, чтобы добавить больше функций визуализации на график и, таким образом, добавляет к эффективному изучению данных.
Чтобы начать работу с тепломапами, нам нужно установить модуль Seborn, используя синтаксис ниже
Синтаксис:
pip install seaborn
Meeborn требует, чтобы быть установлены следующие модули в предварительном порядке:
- Панда
- Осевать
- Matplotlib.
1. Создание радиатора
Давайте создадим базовый HeatMap Со следующим синтаксисом для создания графика визуализации предоставляемых ему данных.
Синтаксис:
seaborn.heatmap(data)
Пример:
import numpy as np import seaborn as sn import matplotlib.pyplot as plt data_plot = np.random.rand(6,5) map = sn.heatmap(data_plot) plt.show()
В приведенном выше фрагменте кода мы использовали numpy.random.rand (m, n) Функция Чтобы случайным образом генерировать некоторые данные с помощью 6 строк и 5 столбцов, которые должны подаваться в тепломап. Далее Pyplot.show () Функция используется для представления тепломапа с правильным форматированием.
Выход:
2. Удалите этикетки в радиаторе
Как видно в приведенном выше представлении тепломапа, значения/точки данных, представленные осью X, а ось Y, известны как клещевые метки. Они представляют масштаб данных, нанесенных и визуализируют с использованием тепломаперов.
Метки галочки имеют следующие типы
- X-Tick этикетки
- Y-клещевые этикетки
Удаление Y-метки из тепловой карты
По умолчанию этикетки галочки присутствуют в радиаторах. Для того, чтобы удалить Y-Tick, мы можем использовать синтаксис ниже:
seaborn.heatmap(data,yticklabels=False)
Пример:
import numpy as np import seaborn as sn import matplotlib.pyplot as plt data_plot = np.random.rand(6,5) map = sn.heatmap(data_plot,yticklabels=False) plt.show()
Выход:
Удаление X-метки из тепловой карты
Чтобы удалить масштаб метки X-Thick, используйте синтаксис ниже:
seaborn.heatmap(data,xticklabels=False)
Пример:
import numpy as np import seaborn as sn import matplotlib.pyplot as plt data_plot = np.random.rand(6,5) map = sn.heatmap(data_plot,xticklabels=False) plt.show()
Выход:
3. Установка этикеток в тепломапе
Для добавления лучшего значения и понимания тепломапа нагревать, можно добавлять этикетки, которые будут способствовать добавлению большего значения в понимании визуализированных данных.
1. Установите X-Label
Следующий синтаксис можно использовать для добавления текстового метки на ось X-Tick, используя функцию MATPLOTLIB.
pyplot.xlabel("label")
Пример:
import numpy as np
import seaborn as sn
import matplotlib.pyplot as plt
data_plot = np.random.rand(6,5)
map = sn.heatmap(data_plot)
plt.xlabel("Numbers")
plt.show()
Выход:
2. Установите Y-метки
Аналогичным образом, следующий синтаксис может быть внушин, чтобы добавить текстовую метку на ось Y-галочки:
pyplot.ylabel("label")
Пример:
import numpy as np
import seaborn as sn
import matplotlib.pyplot as plt
data_plot = np.random.rand(6,5)
map = sn.heatmap(data_plot)
plt.ylabel("Range")
plt.show()
Выход:
4. Добавление текстовых значений в тепловую карту
Мы можем добавлять значения, представленные двумерным форматом радиатора тепломапа, которые добавляют значение лучшему пониманию представленных данных, используя синтаксис ниже:
seaborn.heatmap(data,annot=True)
Annot Parameter установлен на Правда , отображать данные, запланированные тепломапором.
Пример 1: Добавление текстовых значений в случайно сгенерированные данные с использованием радиатора
import numpy as np
import seaborn as sn
import matplotlib.pyplot as plt
data_plot = np.random.rand(6,5)
map = sn.heatmap(data_plot,annot=True)
plt.xlabel("Numbers")
plt.ylabel("Range")
plt.show()
Выход:
Пример 2: Добавление значений данных из набора данных для представления в радиаторе
import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt
data = pd.read_csv("C:/Python_edwisor/mtcars.csv")
data_set = pd.DataFrame(data.iloc[1:5,1:5])
map = sn.heatmap(data_set,annot=True)
plt.show()
Входной набор данных:
Выход:
5. Colormplaps в морских тепломассах
Colormap помогает понять данные, представленные тепломассами, эффективно. Colormaps представляют распределение данных, в которых мы можем проанализировать данные с точки зрения минимальных и максимальных значений, представленных цветами из Colorbar.
1. Последовательные кормеры
Последовательные обычаи используются, когда данные испытывают постепенный и линейный рост в значениях данных/популяции. Таким образом, последовательные обычаи могут быть использованы для представления линейного роста от низких до высоких значений соответственно.
Мы можем реализовать последовательный сормер, установив атрибут cmap « » Cubehelix «
Синтаксис:
seaborn.heatmap(data,cmap='cubehelix')
Пример:
import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt
data = pd.read_csv("C:/Python_edwisor/mtcars.csv")
data_set = pd.DataFrame(data.iloc[1:5,1:5])
map = sn.heatmap(data_set,annot=True,cmap="cubehelix")
plt.show()
Выход:
2. Расходная цветовая палитра
Расходящаяся цветная палитра Создает сормер как комбинацию Дивергенция между двумя цветами.
Синтаксис:
cmap = seaborn.diverging_palette(h_neg and h_pos, sep=value, l=value, as_cmap=True)
h_neg и h_pos: Значения для отрицательных и положительных расширений карты. Колеблется между 0-359.л: Используется для добавления легкости как к экстенту карты. Колеблется между 0-100.Сен: Параметр SEP представляет собой размер промежуточной области данных в радиаторе.AS_CMAP: Логический параметр, при настройке true, он представляет собой объект MATPLOTLIB Colormap.
Пример:
import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt
data = pd.read_csv("C:/Python_edwisor/mtcars.csv")
data_set = pd.DataFrame(data.iloc[1:5,1:5])
cmap = sn.diverging_palette(320, 40, sep=40, as_cmap=True)
map = sn.heatmap(data_set,annot=True,cmap=cmap)
plt.show()
Выход:
3. Светлая и темная палитра Colormap
Использование грейных радиусов, мы можем получить сормер со смесью легких или темных значений, чтобы лучше визуализировать данные.
Типы смешивания Colormap:
Светлая палитра Colormap: Он смешивает данный цвет от свет до темного , представляя данные от низких до высоких ценностей населения.Темная палитра Colormap: Он смешивает данный цвет от темно на свет , представляя данные от низких до высоких значений.
Синтаксис: светлая палитра
cmap = seaborn.light_palette("color-code",as_cmap=True)
Пример 1: Светлая палитра
import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt
data = pd.read_csv("C:/Python_edwisor/mtcars.csv")
data_set = pd.DataFrame(data.iloc[1:5,1:5])
cmap = sn.light_palette("#3fdd01", as_cmap=True)
map = sn.heatmap(data_set,annot=True,cmap=cmap)
plt.show()
Выход:
Синтаксис: темная палитра
seaborn.dark_palette("color-code",as_cmap=True)
Пример 2: Темная палитра
import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt
data = pd.read_csv("C:/Python_edwisor/mtcars.csv")
data_set = pd.DataFrame(data.iloc[1:5,1:5])
cmap = sn.dark_palette("#3fdd01", as_cmap=True)
map = sn.heatmap(data_set,annot=True,cmap=cmap)
plt.show()
Выход:
4. Дискретный сормер
Если набор данных/население содержит дискретные значения данных, мы можем использовать Seaborn.mpl_palette () Функция представлять дискретные значения с дискретных цветов.
Синтаксис:
seaborn.mpl_palette("Set3",value)
Set3: Это название цветовой палитры (играя вокруг другие сорчалки здесь )ценность: Количество дискретных цветов, которые будут представлены в палитре.
Пример:
import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt
data = pd.read_csv("C:/Python_edwisor/mtcars.csv")
data_set = pd.DataFrame(data.iloc[1:5,1:5])
cmap = sn.mpl_palette("Set3", 20)
map = sn.heatmap(data_set,annot=True,cmap=cmap)
plt.show()
Выход:
6. Морская тепловая карта Colorbar
Colorbar дает информацию о цвете, представленном визуализированным данным, а также представляет диапазон значений, которые изображают данные, нанесенные с помощью тепломаперов.
По умолчанию Colorbar присутствует в тепломапе. Если мы хотим удалить Colorbar из тепломапа, синтаксис ниже может помочь вам с ним:
seaborn.heatmap(data,cbar=False)
Пример 1:
import numpy as np
import seaborn as sn
import matplotlib.pyplot as plt
data_plot = np.random.rand(6,5)
map = sn.heatmap(data_plot,annot=True,cbar=False)
plt.xlabel("Numbers")
plt.ylabel("Range")
plt.show()
Выход:
Мы можем настроить тепловую карту, обеспечивая диапазон масштаба значений, представленных цветами Colorbar, используя синтаксис ниже:
seaborn.heatmap(data,cmap,vmin=value,vmax=value)
Пример 2:
import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt
data = pd.read_csv("C:/Python_edwisor/mtcars.csv")
data_set = pd.DataFrame(data.iloc[1:5,1:5])
cmap = sn.mpl_palette("Set3", 5)
map = sn.heatmap(data_set,annot=True,cmap=cmap,vmin=10, vmax=20)
plt.show()
В приведенном выше примере мы установили масштаб COLORBAR с 10-20.
Выход:
Заключение
Таким образом, в этой статье мы поняли функционирование морских тепломаперов.
Я настоятельно рекомендую вам пройти Python Matplotlib модуль для глубокого понимания визуализации данных.