W tym artykule omówimy, w jaki sposób możemy stworzyć plik wykres korzystanie z biblioteki seaborn oraz sposób wykorzystania różnych parametrów do wnioskowania wyników na podstawie cech naszego zbioru danych.

Biblioteka Seaborna

Biblioteka seaborn jest szeroko stosowana wśród analityków danych, a galaktyka wykresów, którą zawiera, zapewnia najlepszą możliwą reprezentację naszych danych.

Bibliotekę Seaborn można zaimportować do naszego środowiska pracy za pomocą:

 import seaborn as sns 

Omówmy teraz, dlaczego używamy wykresu licznikowego i jakie jest znaczenie jego parametrów.

Wykres liczenia

Wykres zliczeniowy służy do przedstawienia występowania (zliczeń) obserwacji występujących w zmiennej kategorycznej.

Wykorzystuje koncepcję wykresu słupkowego do wizualnego przedstawienia.

instrukcja if-else Java

Parametry-

Podczas tworzenia wykresu zliczania określane są następujące parametry. Przyjrzyjmy się im krótko:

x i y-Ten parametr określa dane, do których odwołujemy się do reprezentacji, a następnie obserwuje podświetlone wzorce.kolor-Ten parametr określa kolor, który może nadać dobry wygląd naszej działce.paleta-Przyjmuje wartość palety. Jest używany głównie do pokazania zmiennej barwy.odcień-Ten parametr określa nazwę kolumny.dane-Ten parametr określa ramkę danych, którą chcielibyśmy przyjąć do reprezentacji. Na przykład dane mogą być tablicą.unik-Ten parametr jest opcjonalny i jako wejście przyjmuje wartość logiczną.nasycenie-Ten parametr akceptuje wartość zmiennoprzecinkową. Kiedy to określimy, można zaobserwować różnicę w intensywności kolorów.odcień_kolejność-Parametr hue_order przyjmuje jako dane wejściowe ciągi znaków.kwargs-Parametr kwargs określa mapowania kluczy i wartości.topór-Parametr ax jest parametrem opcjonalnym i służy do przyjmowania osi, na których tworzone są wykresy.Orient-Parametr orient jest opcjonalny i określa orientację działki, której potrzebujemy, poziomą lub pionową.

Zobaczmy teraz, jakie są różne sposoby reprezentowania naszych atrybutów.

W pierwszym przykładzie utworzymy wykres zliczeniowy dla pojedynczej zmiennej. Przyjęliśmy „wskazówki” dotyczące zestawu danych, aby wdrożyć to samo.

1. Liczenie wartości dla pojedynczej zmiennej

Przykład -

 import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex',data=df) plt.show() 

Wyjście:

W następnym przykładzie użyjemy parametru barwy i utworzymy wykres zliczania.

rok wynalezienia komputera

Poniższy program ilustruje to samo-

2. Reprezentowanie dwóch zmiennych kategorycznych za pomocą parametru barwy

Przykład -

 import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex',hue='smoker',data=df) plt.show() 

Wyjście:

W następnym przykładzie rozważymy oś Y i utworzymy poziomy wykres zliczeniowy.

ciąg Java do tablicy

Poniższy program ilustruje to samo-

3. Tworzenie wykresów poziomych

Przykład -

 import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(y='sex',hue='smoker',data=df) plt.show() 

Wyjście:

Przyjrzyjmy się teraz, jak palety kolorów mogą poprawić prezentację naszych danych.

W następnym przykładzie użyjemy parametru „paleta”.

Poniższy program ilustruje to samo-

gdzie znajdę ustawienia przeglądarki

4. Korzystanie z palet kolorów

Wejście-

 import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex', data=df, palette='Set1') plt.show() 

Wyjście:

W następnym przykładzie użyjemy parametru color i zobaczymy jak to działa?

Poniższy program ilustruje to samo-

5. Użycie parametru „kolor”

Przykład -

 import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') #plotting the graph sns.countplot(x='Pclass',hue='Sex', data=df, color='green') plt.show() 

Wyjście:

Teraz użyjemy parametru „nasycenie” i zobaczymy, jak wpływa on na reprezentację naszych danych.

Poniższy program ilustruje to samo-

podnoszący na duchu

6. Korzystanie z parametru „nasycenie”

Przykład -

 import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') #plotting the graph sns.countplot(x='Pclass',data=df, color='green', saturation=0.1) plt.show() 

Wyjście:

I na koniec w ostatnim przykładzie użyjemy parametrów szerokość linii I kolor krawędzi.

Korzystanie z funkcji matplotlib.axes.Axes.bar()

Przykład -

 import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') sns.countplot(x='Sex', data=df, color='green', facecolor=(0,0,0,0), linewidth=5, edgecolor=sns.color_palette('BrBG',2)) plt.show() 

Wyjście: