Python er et lagerhus med mange enormt kraftige biblioteker og rammer. Blant dem er Seaborn, som er en dominerende datavisualisering biblioteket, og gir enda en grunn til at programmerere skal fullføre . I denne Python Seaborn-opplæringen vil du lene deg alle dataene ved å bruke Seaborn.
Før vi går videre, la oss se gjennom alle diskusjonstemaene i denne artikkelen:
- Hvorfor bruke Seaborn?
- Hvordan installere Seaborn?
- Installere Python Seaborn-avhengigheter
- Seaborn Plotting Funksjoner
- Flerplottnett
- Plott-estetikk
Så la oss først begynne med å resonnere viktigheten av Python Seaborn.
Hvorfor bruke Python Seaborn?
Som nevnt tidligere brukes Python Seaborn-biblioteket for å lette den utfordrende oppgaven med datavisualisering, og den er basert på . Seaborn tillater oppretting av statistisk grafikk gjennom følgende funksjoner:
Et API som er basert på datasett som muliggjør sammenligning mellom flere variabler
Støtter flerplottnett som igjen letter å bygge komplekse visualiseringer
Univariate og bivariate visualiseringer er tilgjengelige for å sammenligne mellom delmengder med data
Tilgjengelighet av forskjellige fargepaletter for å avsløre forskjellige typer mønstre
Anslag og tomter automatisk
Så hvis du lurte på hvorfor du bruker Seaborn når du allerede har Matplotlib, er svaret på det.
Python Seaborn vs Matplotlib:
“Hvis Matplotlib“ prøver å gjøre enkle ting enkle og harde ting mulig ”, prøver seaborn å gjøre et veldefinert sett med harde ting også enkelt” - Michael Waskom (Creator of Seaborn).
Faktisk er Matplotlib bra, men Seaborn er bedre. Det er i utgangspunktet to mangler ved Matplotlib som Seaborn løser:
Matplotlib kan tilpasses, men det er vanskelig å finne ut hvilke innstillinger som kreves for å gjøre tomter mer attraktive. På den annen side kommer Seaborn med mange tilpassede temaer og grensesnitt på høyt nivå for å løse dette problemet.
Når du jobber med Pandaer Matplotlib fungerer ikke bra når det gjelder å håndtere DataFrames, mens Seaborn-funksjoner faktisk fungerer på DataFrames.
Hvordan installere Seaborn?
For å installere Python Seaborn-biblioteket, kan du bruke følgende kommandoer basert på plattformen du bruker:
pip installere seaborn
eller
leilighet installere seaborn
Når dette er installert, er det bare å sørge for å installere pakkene og bibliotekene som seaborn er avhengige av.
Installere Python Seaborn-avhengigheter:
Obligatoriske avhengigheter for sjøfødte er:
Det er også en anbefalt avhengighet som er:
- statlige modeller
For å installere disse bibliotekene kan du bruke de samme kommandoene som tidligere vist for Seaborn med deres respektive navn. Når de er installert, kan de importeres enkelt. Seaborn lar deg laste inn ethvert datasett fra bruker load_dataset () funksjon. Du kan også se alle tilgjengelige datasett ved hjelp av get_dataset_names () -funksjonen som følger:
EKSEMPEL:
importer sjøfødt som sns sns.get_dataset_names ()
Dette vil returnere en liste over alle tilgjengelige datasett.
Nå som du har satt opp miljøet ditt for å jobbe med seaborn, kan vi gå videre for å se hvordan du bruker plottfunksjonene i .
Seaborn Plotting Funksjoner
Visualisering av statistiske forhold:
Prosessen med å forstå sammenhenger mellom variabler i et datasett og hvordan disse forholdene i sin tur avhenger av andre variabler er kjent som statistisk analyse. La oss nå se nærmere på funksjonene som trengs for dette:
relplot ():
Dette er en figurnivåfunksjon som bruker to andre aksefunksjoner for å visualisere statistiske forhold som er:
- scatterplot ()
- lineplot ()
Disse funksjonene kan spesifiseres ved hjelp av 'kind' parameteren til relplot (). Hvis denne parameteren er gitt, tar den standardverdien som er scatterplot (). Før du begynner å skrive koden, må du importere de nødvendige bibliotekene som følger:
importer numpy som np importer pandas som pd importer matplotlib.pyplot som plt importer sjøfødt som sns sns.set (style = 'darkgrid')
Vær oppmerksom på at stilattributtet også kan tilpasses og kan ta en hvilken som helst verdi som mørk rutenett, flått osv. Som jeg vil diskutere senere i avsnittet om estetikk. La oss nå se på et lite eksempel:
EKSEMPEL:
f = sns.load_dataset ('Flights') sns.relplot (x = 'passasjerer', y = 'måned', data = f)PRODUKSJON:
Som du kan se, er punktene tegnet i to dimensjoner. Du kan imidlertid legge til en annen dimensjon ved hjelp av 'hue' semantikken. La oss se på et eksempel på det samme:
EKSEMPEL:
f = sns.load_dataset ('Flights') sns.relplot (x = 'passasjerer', y = 'måned', fargetone = 'år', data = f)Du vil se følgende utdata:
PRODUKSJON:
Imidlertid er det mange flere tilpasninger du kan prøve, for eksempel farger, stiler, størrelse osv. La meg bare vise hvordan du kan endre fargen i følgende eksempel:
EKSEMPEL:
sns.set (style = 'darkgrid') f = sns.load_dataset ('Flights') sns.relplot (x = 'passasjerer', y = 'måned', fargetone 'år', palett = 'ch: r = - .5, l = .75 ', data = f)PRODUKSJON:
lineplot ():
Denne funksjonen lar deg tegne en kontinuerlig linje for dataene dine. Du kan bruke denne funksjonen ved å endre “kind” -parameteren som følger:
EKSEMPEL:
a = pd.DataFrame ({'Dag': [1,2,3,4,5,6,7], 'Dagligvarer': [30,80,45,23,51,46,76], 'Klær' : [13,40,34,23,54,67,98], 'Redskaper': [12,32,27,56,87,54,34]}, indeks = [1,2,3,4,5 , 6,7]) g = sns.relplot (x = 'Day', y = 'Clothes', kind = 'line', data = a) g.fig.autofmt_xdate () PRODUKSJON:
Standard for linjeplott er y som en funksjon av x. Det kan imidlertid endres hvis du ønsker å gjøre det. Det er mange flere alternativer du kan prøve videre.
La oss nå se på hvordan vi kan tegne kategoriske data.
Plotting med kategoriske data:
Denne tilnærmingen kommer inn i bildet når hovedvariabelen vår blir delt inn i diskrete grupper (kategoriske). Dette kan oppnås ved hjelp av catplot () -funksjonen.
catplot ():
Dette er en figurnivå-funksjon som relplot (). Det kan karakteriseres av tre familiefunksjoner på aksenivå, nemlig:
Scatterplots - Disse inkluderer stripplot (), swarmplot ()
Distribusjonsplott - som er boxplot (), violinplot (), boxenplot ()
Estimatplots - nemlig pointplot (), barplot (), countplot ()
La oss nå ta noen eksempler for å demonstrere dette:
EKSEMPEL:
importer sjøfødt som sns importer matplotlib.pyplot som plt sns.set (style = 'ticks', color_codes = True) a = sns.load_dataset ('tips') sns.catplot (x = 'day', y = 'total_bill', data = a)PRODUKSJON:
Som du kan se, i eksemplet ovenfor har jeg ikke satt parameteren ‘snill’. Derfor har den returnert grafen som standard scatterplot. Du kan spesifisere hvilken som helst av aksenivåfunksjonene for å endre grafen etter behov. La oss også ta et eksempel på dette:
EKSEMPEL:
importer sjøfødt som sns importer matplotlib.pyplot som plt sns.set (style = 'ticks', color_codes = True) a = sns.load_dataset ('tips') sns.catplot (x = 'day', y = 'total_bill', kind = 'fiolin', data = a) PRODUKSJON:
Ovennevnte utgang viser fiolinplott for tips-datasettet. La oss nå prøve å finne ut hvordan vi kan visualisere distribusjonen av et datasett.
Visualisere distribusjonen av et datasett:
Dette handler i utgangspunktet om å forstå datasett med kontekst til å være univariate eller bivariate. Før du begynner med dette, er det bare å importere følgende:
importer numpy som np importer pandaer som pd importer seaborn som sns importer matplotlib.pyplot som plt fra scipy import stats sns.set (color_codes = True)
Når dette er gjort, kan du fortsette å tegne univariate og bivariate distribusjoner.
Plotting av univariate distribusjoner:
For å plotte dem kan du bruke distplot () -funksjonen som følger:
EKSEMPEL:
a = np.random.normal (loc = 5, størrelse = 100, skala = 2) sns. distplot (a)
PRODUKSJON:
Som du kan se i eksemplet ovenfor, har vi tegnet en graf for variabelen a hvis verdier genereres av normal () -funksjonen ved hjelp av distplot.
Plotte bivariate distribusjoner:
Dette kommer inn i bildet når du har to tilfeldige uavhengige variabler som resulterer i noen sannsynlig hendelse. Den beste funksjonen for å plotte denne typen grafer er jointplot (). La oss nå tegne en bivariat graf ved hjelp av jointplot ().
EKSEMPEL:
x = pd.DataFrame ({'Dag': [1,2,3,4,5,6,7], 'Dagligvarer': [30,80,45,23,51,46,76], 'Klær' : [13,40,34,23,54,67,98], 'Redskaper': [12,32,27,56,87,54,34]}, indeks = [1,2,3,4,5 , 6,7]) y = pd.DataFrame ({'Day': [8,9,10,11,12,13,14], 'Grocery': [30,80,45,23,51,46, 76], 'Klær': [13,40,34,23,54,67,98], 'Utstyr': [12,32,27,56,87,54,34]}, indeks = [8,9 , 10,11,12,13,14]) gjennomsnitt, cov = [0, 1], [(1, .5), (.5, 1)] data = np. tilfeldig.multivariat_normal (gjennomsnitt, cov, 200 ) med sns.axes_style ('hvit'): sns.jointplot (x = x, y = y, kind = 'kde', color = 'b') PRODUKSJON:
Nå som du har forstått de forskjellige funksjonene i Python Seaborn, la oss gå videre til å bygge strukturerte flerplottnett.
Flerplottnett:
Python Seaborn lar deg tegne flere nett side om side. Dette er i utgangspunktet plott eller grafer som er tegnet med samme skala og akser for å hjelpe til med sammenligning mellom dem. Dette hjelper i sin tur programmereren til å skille raskt mellom tomtene og få store mengder informasjon.
Tenk på følgende eksempel på funksjonen facetgrid () for å plotte disse grafene.
EKSEMPEL:
sns.set (style = 'darkgrid') a = sns.load_dataset ('iris') b = sns.FacetGrid (a, col = 'species') b.map (plt.hist, 'sepal_length')PRODUKSJON:
Ovennevnte resultater viser tydelig sammenligningen mellom tipsene som blir gitt under lunsj og middag. Du kan også plotte ved hjelp av PairGrid-funksjonen når du har et par variabler å sammenligne. Tenk på følgende eksempel.
pmi-acp verdt det
EKSEMPEL:
sns.set (style = 'ticks') a = sns.load_dataset ('Flights') b = sns.PairGrid (a) b.map (plt. scatter) PRODUKSJON:
Som du kan se, sammenlignes produksjonen ovenfor tydelig mellom året og antall passasjerer på forskjellige måter.
Seaborn tillater også tilpasninger angående estetikk som diskuteres nærmere.
Plott-estetikk:
Dette segmentet av Python Seaborn tutorial handler om å gjøre tomtene våre mer attraktive og herlige.
Python Seaborn Figur-estetikk:
Den første funksjonen jeg skal diskutere er satt (). Jeg har brukt 'stil' -parameteren til denne funksjonen før. Denne parameteren handler i utgangspunktet om havfødte temaer. For øyeblikket er det fem av dem tilgjengelige, nemlig mørk rutenett, flått, hvitt, hvitt og mørkt.
Tenk på følgende eksempel som viser det hvite temaet.
EKSEMPEL:
importer sjøfødt som sns importer matplotlib.pyplot som plt sns.set (style = 'white', color_codes = True) a = sns.load_dataset ('tips') sns.boxplot (x = 'day', y = 'total_bill', data = a)PRODUKSJON:
I ovennevnte utdata kan du legge merke til at temaet er endret til hvitt. Du kan utforske dem videre ved å bruke de andre temaene også. Hvis du merker det i forrige utgang, er det akser tilstede rundt grafen. Dette kan imidlertid også tilpasses ved hjelp av despine () -funksjonen. Se på eksemplet nedenfor.
EKSEMPEL:
importer sjøfødt som sns importer matplotlib.pyplot som plt sns.set (style = 'white', color_codes = True) a = sns.load_dataset ('tips') sns.boxplot (x = 'day', y = 'total_bill', data = a) sns.despine (offset = 10, trim = True) PRODUKSJON:
Legg merke til forskjellen mellom de to foregående utgangene. Imidlertid er det mange flere alternativer du kan utforske selv.
Python Seaborn fargepaletter:
Farge er i utgangspunktet funksjonen som nærmer seg menneskets øyne utover andre funksjoner. Seaborn lar deg leke med farger ved hjelp av forskjellige funksjoner, for eksempel color_palette (), hls_palette (), husl_palette () osv. Ta en titt på fargene som for tiden er tilstede i seaborn.
EKSEMPEL:
importer numpy som np importer seaborn som sns importer matplotlib.pyplot som plt sns.set () presentcolors = sns.color_palette () sns.palplot (presentcolors)
PRODUKSJON:
Ovenstående bilde viser fargene som er tilstede innen seaborn. Jeg har gjort det ved hjelp av palplot () -funksjonen. For dypere varianter kan du bruke hls_palette (), husl_palette (), etc.
Dette bringer oss til slutten av Python Seaborn Tutorial. Jeg håper du har forstått alt tydelig. Sørg for at du trener så mye som mulig .
Har du et spørsmål til oss? Vennligst nevn det i kommentarfeltet i denne 'Python Seaborn Tutorial' -bloggen, så kommer vi tilbake til deg så snart som mulig.
For å få inngående kunnskap om Python sammen med de forskjellige applikasjonene, kan du registrere deg for live med 24/7 support og levetidstilgang.