Автор оригинала: Pankaj Kumar.
Привет, народ! В этой статье мы будем взять урокул по морским учебникам вперед и понимая Слом линии морской линии Отказ Мы недавно покрывали Морские радиаторы Так что не стесняйтесь, посмотрите, если вы заинтересованы в изучении больше о радиаторах.
Что такое сюжет строки?
Морской Как библиотека используется в Визуализации данных Из моделей, построенных по набору данных, чтобы предсказать результат и проанализировать вариации данных.
Службы меховой линии изображена взаимосвязь между непрерывными, а также категорическими значениями в формате непрерывной точки данных.
На протяжении всей этой статьи мы будем использовать набор данных ниже, чтобы манипулировать данными и формировать линейный график. Пожалуйста, пройдите через снимок ниже набора данных, прежде чем двигаться вперед.
В приведенном ниже наборе данных переменные данных – ‘ Cyl ‘,’ против ‘,’ Я ‘,’ снаряжение ‘и’ карб ‘есть категорические переменные Поскольку все значения данных попадают под определенную категорию или диапазон значений.
Хотя оставшиеся столбец данных падают под целым числом/ Непрерывные переменные Потому что они несут с ними дискретные целочисленные значения.
Входной набор данных:
Построение вашего первого заговора линии морской линии
Чтобы начать с линейных участков, нам нужно установить и импортировать Библиотека морской библиотеки в среду Python с помощью команды ниже:
Синтаксис:
pip install seaborn
Как только вы закончите установку, импортируйте библиотеку в текущую рабочую среду и используйте функции
Синтаксис:
import seaborn
Для всей серии Searborn мы будем использовать Библиотека Matplotlib построить данные и показывать его правильно визуализированным образом.
Создание одноразового плана с морским
Мы можем предоставить дискретные значения или использовать наборы данных, чтобы создать график линии Searborn.
Синтаксис:
seaborn.lineplot(x, y, data)
х
: Переменная данных для оси Xy
: Переменная данных для оси Yданные
: Объект, указывающий на весь набор данных или значения данных
Пример 1: Использование случайных данных для создания графика линии Searborn
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt Year = [2012, 2014, 2016, 2020, 2021, 2022, 2018] Profit = [80, 75.8, 74, 65, 99.5, 19, 33.6] data_plot = pd.DataFrame({"Year":Year, "Profit":Profit}) sns.lineplot(x = "Year", y = "Profit", data=data_plot) plt.show()
На следующем линейном сюжете мы можем свидетелями линейной связи между двумя переменными данных – «год» и «прибылью».
Выход:
Пример 2: Использование набора данных для создания строки сюжета и изображена взаимосвязь между столбцами данных.
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt data = pd.read_csv("C:/mtcars.csv") info = data.iloc[1:20,:5] sns.lineplot(x = "drat", y = "mpg",data=info) sns.set(style='dark',) plt.show()
Входной набор данных:
Выход:
Многократные графики линии
Мы можем создавать несколько строк для визуализации данных в одном и том же пространстве или участках. Мы можем использовать одинаковые или несколько столбцов/переменные/данные данных и изображены взаимосвязи между ними в целом.
1. Использование параметра оттенка для создания цветного оттенка для нескольких точек данных
Параметр оттенок
Может использоваться для группировки разных переменных набора данных и поможет изобразить отношения между X и столбцами данных оси Y с столбцом, передаваемым в виде значения для параметра.
Синтаксис:
seaborn.lineplot(x,y,data,hue)
Пример:
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt data = pd.read_csv("C:/mtcars.csv") info = data.iloc[1:20,:5] sns.lineplot(x = "drat", y = "mpg", data=info, hue="cyl") plt.show()
Как видно на указанном ниже схеме, он представляет три линии с другой цветовой схемой, чтобы изобразить отношения между « Drat ‘,’ MPG ‘и’ Cyl ‘ соответственно.
Выход:
2. Использование параметра стиля для построения различных типов линий
Мы можем установить параметр стиля на значение, которое мы хотели бы отображать вместе с осью x и y y, а также указывать различные строки структуры: dash, dots (маркеры) и т. Д.
Синтаксис:
seaborn.lineplot(x, y, data, style)
Пример 2:
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt data = pd.read_csv("C:/mtcars.csv") info = data.iloc[1:20,:5] sns.lineplot(x = "drat", y = "mpg", data=info, hue="cyl", style="cyl") plt.show()
Как видно ясно, сюжет представляет значения «цилий» в отношении «MPG» и «Drat» с различными линиями конструкций I.E. Простая линия, тире и маркировки.
Выход:
3. Использование параметра размера для построения нескольких линейных участков в Seborn
Мы можем даже использовать Размер
Параметр Seanborn.LinePlot () Функция
Чтобы представлять различные отношения с различными размерами линии с различными размерами линии. Так что он действует как группировка переменной с разным размером/шириной в зависимости от величины данных.
Синтаксис:
seaborn.lineplot(x, y, data, size)
Пример 3:
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt data = pd.read_csv("C:/mtcars.csv") info = data.iloc[1:20,] sns.lineplot(x = "drat", y = "mpg", data=info, hue="gear",style="gear",size="gear") plt.show()
Входной набор данных:
Выход:
Используя разную цветовую палитру вместе с линейным участком
Colormap и палитра Seanborn определяют цветовой диапазон для моделей визуализации. Параметр палитра
вместе с оттенок
Может использоваться для определения схемы кодирования цвета в терминах переменной данных.
Для получения дополнительных цветовых палитров вы можете ссылаться на ссылку здесь: Цветовая палитра
Синтаксис:
seaborn.lineplot(x,y,data,hue,palette)
Пример:
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt data = pd.read_csv("C:/mtcars.csv") info = data.iloc[1:20,] sns.lineplot(x = "drat", y = "mpg", data=info, hue="gear", palette = "Set1") plt.show()
Выход:
Добавление баров ошибок к линейному графику
Линейные участки могут быть использованы для определения уровней доверия/интервалов в участках, чтобы изобразить скорость ошибок благодаря использованию err_style
параметр.
Синтаксис:
seaborn.lineplot(x,y,data,err_style="bars")
Пример:
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt data = pd.read_csv("C:/mtcars.csv") info = data.iloc[1:20,] sns.lineplot(x = "cyl", y = "mpg",data=info, err_style="bars") plt.show()
Выход:
Установка другого стиля с использованием функции Searborn.Set ()
Python Seaborn.Set () Функция
Может использоваться для отображения графика в другой фоновом стиле.
Синтаксис:
seaborn.set(style)
Пример:
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt data = pd.read_csv("C:/mtcars.csv") info = data.iloc[1:20,] sns.lineplot(x = "cyl", y = "mpg",data=info,hue="gear") sns.set(style='dark',) plt.show()
Выход:
Заключение
Таким образом, в этой статье мы поняли графики линии и вариации, связанные с ним.
Я настоятельно рекомендую читателям просматривать учебник Python Matplotlib, чтобы лучше понять графики линии.