Автор оригинала: Pankaj Kumar.
Эй, ребята! В серии Визуализация данных с Meeborn , будет сосредоточиться на Searborn разбросаны графики Для визуализации данных.
Что такое схема разброса?
Разброс участок Представляет связь между двумя непрерывными значениями соответственно. Он изображает, как одна вариабельная переменная данных зависит от другой переменной данных в каждой доле значения набора данных.
Итак, теперь давайте начнем с построения Рассеянные участки с использованием библиотеки Seborn Отказ
Мы будем использовать приведенные ниже данные, установленные из статьи для ввода данных.
Начало работы с Seborn разброс
Прежде чем двигаться вперед с построением, нам нужно установить библиотеку Seborn, используя команду ниже:
pip install seaborn
После установки библиотеки нам необходимо импортировать библиотеку в среду Python для загрузки функций и построить данные для визуализации его, используя команду ниже:
import seaborn
Создание графика разброса
Seaborn.Scatterplot () Функция Используется для участия данных и изображена взаимосвязь между значениями с использованием визуализации разброса.
Синтаксис:
seaborn.scatterplot(x,y,data)
х: Переменная данных, которая должна быть нанесена на оси X.yПеременная данных будет нанесена на оси Y.данные: Переменная указателя, в которой хранятся все данные.
Пример 1:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
Year = [1,3,5,2,12,5,65,12,4,76,45,23,98,67,32,12,90]
Profit = [80, 75.8, 74, 65, 99.5, 19, 33.6,23,45,12,86,34,567,21,80,34,54]
data_plot = pd.DataFrame({"Year":Year, "Profit":Profit})
sns.scatterplot(x = "Year", y = "Profit", data=data_plot)
plt.show()
В приведенном выше примере мы постигли взаимосвязь между «год» и «прибылью» с использованием графика разброса. Более того, мы использовали pyplot.show () Функция для представления данных в правильном формате участка.
Выход:
Пример 2:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv("C:/mtcars.csv")
sns.scatterplot(x = "drat", y = "qsec",data=data)
sns.set(style='darkgrid',)
plt.show()
В приведенном выше примере мы представляли связь между двумя столбцами данных набора данных, передаваемыми к функции в качестве параметра.
Выход:
Переменные группировки в графике Seborbor
Как видно выше, график разброса изображает взаимосвязь между двумя факторами. Кроме того, мы можем показать взаимосвязь между несколькими переменными данных I.E. Как изменение одной переменной данных влияет на представление других переменных данных на целом графике.
В предстоящем разделе будет посмотреть на следующие пути, через которые мы можем изобразить многопараметрические отношения
- оттенок
- стиль
- размер
1. Использование параметра «оттенок»
оттенок Параметр можно использовать для группировки нескольких переменных данных и отображения зависимости между ними с точки зрения различных цветов маркеров, используемых для построения значений данных.
Синтаксис:
seaborn.scatterplot(x,y,data,hue)
оттенок: Параметр данных, вокруг которых должна быть нанесена зависимость пропущенных значений данных.
Пример:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv("C:/mtcars.csv")
sns.scatterplot(x = "drat", y = "qsec",data=data, hue='am')
sns.set(style='whitegrid',)
plt.show()
В приведенном выше примере мы поставили зависимость между « Drat ‘и’ QSEC «Переменные данных против переменной данных» Я «Набор данных. Переменная данных является категорично Переменная I.e. Значения данных лежат между 0-1 Отказ Таким образом, используя оттенок, два значения данных 0 и 1 из переменной Я представлены с использованием двух разных цветов.
Выход:
2. Стиль параметра ‘
Использование Стиль В качестве параметра мы можем изобразить взаимосвязь между несколькими переменными данных и их зависимостью, используя различные типы значков разброса, используемые для изображения значений данных.
Синтаксис:
seaborn.scatterplot(x,y,data,style)
Стиль: Параметр данных, который действует как ссылка на участие в многосъемных отношениях.
Пример:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv("C:/mtcars.csv")
sns.scatterplot(x = "drat", y = "qsec",data=data, hue='am',style='am')
sns.set(style='whitegrid',)
plt.show()
В приведенном выше примере различная картина участков типа « o ‘и’ х «Помогает изобразить зависимость между X, переменными оси Y, сохраняя переменную« AM »в качестве ссылки.
Выход:
3. Использование параметра «Размер»
Размер Параметр создает график таким образом, что зависимость и связь между несколькими участками изображены с использованием разбросов разных размеров.
Синтаксис:
seaborn.scatterplot(x,y,data,size)
Пример:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv("C:/mtcars.csv")
sns.scatterplot(x = "drat", y = "qsec",data=data,size='am',hue='am')
sns.set(style='whitegrid',)
plt.show()
Как видно, четко видно, маркеры разброса разных размеров изображают взаимосвязь между значениями данных, передаваемыми к нему в качестве параметра, в качестве ссылки.
Выход:
Участок Scatter Scatter с использованием параметра «Palette»
Мы можем представлять данные лучше, используя палитру Searborn. Включение палитра Параметр помогает нам представлять данные с различными значениями Colormap Colormap.
Различные цвета палитра доступны в Meanborn Colormap которые помогают построить значения данных.
Пример 1:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv("C:/mtcars.csv")
sns.scatterplot(x = "drat", y = "qsec",data=data,size='am',hue='am',palette='Spectral')
sns.set(style='whitegrid',)
plt.show()
В приведенном выше примере мы использовали палитру « Спектральный «Визуализировать данные.
Выход:
Пример 2:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv("C:/mtcars.csv")
sns.scatterplot(x = "drat", y = "qsec",data=data,size='am',hue='am',palette='hot')
sns.set(style='whitegrid',)
plt.show()
В этом примере мы использовали палитру ‘ Горячий «Наряду с параметром размера изображать разные сормер наряду с размером маркеров разбросов.
Выход:
Визуализация графика разброса с использованием «маркера»
Маркеры Являются ли шаблоны разброса, которые используются для представления значений данных. Использование маркеров может помочь добавить значение на график с точки зрения графики и визуализации.
Синтаксис:
seaborn.scatterplot(x,y,markers)
Маркеры: Список, представляющий конструкции маркера, мы хотим, чтобы быть ввиваемым в сюжете.
Пример:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
data = pd.read_csv("C:/mtcars.csv")
sns.scatterplot(x = "drat", y = "qsec", data=data, hue='am', style='am', markers=['*', 'o'], palette='hot')
sns.set(style='dark',)
plt.show()
Выход:
Ссыпать сетью рассеивание с первого взгляда!
Таким образом, в этой статье мы поняли фактическое значение сюжета Scatter I.E. с изображением зависимости между переменными данных. Более того, мы можем использовать различные параметры, такие как « » оттенок ‘,’ палитра ‘,’ Стиль ‘,’ Размер ‘и’ Маркеры «Улучшить сюжет и воспользоваться гораздо лучшим изобразительным представлением сюжета.
Важное примечание : Библиотека Seborn и его функции полностью опираются на библиотеку Matplotlib. Таким образом, я рекомендовал вам пройти Учебник Python Matplotlib Отказ
Заключение
Таким образом, мы поняли и внедрили грабежные графики в Питоне.
Я настоятельно рекомендую вам пройти Учебное пособие по морским обучению Чтобы лучше понять о теме.