Python on lukuisten erittäin tehokkaiden kirjastojen ja kehysten varasto. Heidän joukossaan on Seaborn, mikä on hallitseva tietojen visualisointi kirjasto, mikä antaa vielä yhden syyn ohjelmoijien suorittamiseen . Tässä Python Seaborn -oppaassa nojaat kaikki tietojen visualisointipätkät Seabornin avulla.
Ennen kuin jatkat, katsotaanpa läpi kaikki tämän artikkelin keskustelunaiheet:
- Miksi käyttää Seabornia?
- Kuinka asentaa Seaborn?
- Python Seaborn Dependenciesin asentaminen
- Merenpohjan piirtotoiminnot
- Usean juovan ruudukot
- Juoni-estetiikka
Joten aloitetaan ensin perustelemalla Python Seabornin merkitys.
Miksi käyttää Python Seabornia?
Kuten aiemmin mainittiin, Python Seaborn -kirjastoa käytetään tietojen visualisoinnin haastavan tehtävän helpottamiseen ja se perustuu . Seaborn sallii tilastokuvien luomisen seuraavien toimintojen avulla:
API, joka perustuu tietojoukkoihin, mikä mahdollistaa vertailun useiden välillä muuttujat
Tukee monen juovan verkkoja, jotka puolestaan helpottavat monimutkaisten visualisointien rakentamista
Saatavilla on yksi- ja kaksimuotoisia visualisointeja tietojen alajoukkojen vertailemiseksi
Erilaisten väripalettien saatavuus erilaisten kuvioiden paljastamiseksi
Arviot ja tontit automaattisesti
Joten, jos mietit, miksi käyttää Seabornia, kun sinulla on jo Matplotlib, tässä on vastaus siihen.
Python Seaborn vs Matplotlib:
'Jos Matplotlib' yrittää tehdä helpoista asioista helppoja ja vaikeita mahdollisia ', Seaborn yrittää tehdä myös hyvin määritellyt kovat asiat helpoksi' - Michael Waskom (Seabornin luoja).
Itse asiassa Matplotlib on hyvä, mutta Seaborn on parempi. Matplotlibissa on pohjimmiltaan kaksi puutetta, jotka Seaborn korjaa:
Matplotlib voidaan räätälöidä, mutta on vaikea selvittää, mitä asetuksia tarvitaan tonttien houkuttelevuuden lisäämiseksi. Toisaalta Seabornilla on lukuisia räätälöityjä teemoja ja korkean tason käyttöliittymiä tämän ongelman ratkaisemiseksi.
python mikä on __init__
Kun työskentelet Pandat , Matplotlib ei palvele hyvin DataFrame-kehysten käsittelyssä, kun taas Seaborn-toiminnot todella toimivat DataFrame-kehyksillä.
Kuinka asentaa Seaborn?
Voit asentaa Python Seaborn -kirjaston käyttämällä seuraavia komentoja käyttämäsi alustan perusteella:
pip asenna merenpoika
tai
Conda asentaa meren
Kun tämä on asennettu, varmista, että asennat paketit ja kirjastot, joista merenpohja on riippuvainen.
Python Seaborn Dependenciesin asentaminen:
Pakolliset riippuvuudet merisyntyneille ovat:
On myös yksi suositeltu riippuvuus, joka on:
- valtion mallit
Asentaaksesi nämä kirjastot, voit käyttää samoja komentoja, jotka on aiemmin esitetty Seabornille heidän nimillään. Asennuksen jälkeen ne voidaan tuoda helposti. Seabornin avulla voit ladata minkä tahansa tietojoukon käyttämällä load_dataset () toiminto. Voit myös tarkastella kaikkia käytettävissä olevia tietojoukkoja käyttämällä get_dataset_names () -funktiota seuraavasti:
ESIMERKKI:
tuo merisyntynyt nimellä sns sns.get_dataset_names ()
Tämä palauttaa luettelon kaikista käytettävissä olevista aineistoista.
Nyt kun olet määrittänyt ympäristösi työskentelemään merisyntyneiden kanssa, siirrytään eteenpäin katsomaan, miten sen piirtotoimintoja käytetään .
Merenpohjan piirtotoiminnot
Tilastollisten suhteiden visualisointi:
Prosessi ymmärtää tietojoukon muuttujien välisiä suhteita ja sitä, miten nämä suhteet puolestaan riippuvat muista muuttujista, kutsutaan tilastolliseksi analyysiksi. Tarkastellaan nyt tarkemmin tähän tarvittavia toimintoja:
relplot ():
Tämä on hahmotason funktio, joka käyttää kahta muuta akselitoimintoa tilastollisten suhteiden visualisointiin, jotka ovat:
- hajontakaavio ()
- lineplot ()
Nämä toiminnot voidaan määrittää relplot () -parametrilla 'kind'. Jos tämä parametri annetaan, se käyttää oletusarvoa, joka on scatterplot (). Ennen kuin aloitat koodin kirjoittamisen, muista tuoda vaaditut kirjastot seuraavasti:
tuoda numerotiedostoina np-tuontipandana tiedostona tuonti-matplotlib.pyplot-tiedostotiedot tuoda merisyntyneitä käyttäjiä sns sns.set (style = 'darkgrid')
Huomaa, että tyylimääritettä voidaan myös muokata ja se voi ottaa minkä tahansa arvon, kuten darkgrid, punkit jne., Joista keskustelen myöhemmin juoni-estetiikka -osiossa. Katsotaanpa nyt pieni esimerkki:
ESIMERKKI:
f = sns.load_dataset ('lennot') sns.relplot (x = 'matkustajat', y = 'kuukausi', data = f)LÄHTÖ:
Kuten näette, pisteet on piirretty 2-ulotteisesti. Voit kuitenkin lisätä toisen ulottuvuuden käyttämällä sävyn semanttia. Katsotaanpa esimerkki samasta:
ESIMERKKI:
f = sns.load_dataset ('lennot') sns.relplot (x = 'matkustajat', y = 'kuukausi', sävy = 'vuosi', data = f)Näet seuraavan tuloksen:
LÄHTÖ:
Voit kuitenkin kokeilla monia muita mukautuksia, kuten värejä, tyylejä, kokoa jne. Haluan vain näyttää, kuinka voit muuttaa väriä seuraavassa esimerkissä:
ESIMERKKI:
sns.set (style = 'darkgrid') f = sns.load_dataset ('lennot') sns.relplot (x = 'matkustajat', y = 'kuukausi', sävy = 'vuosi', paletti = 'ch: r = - .5, l = .75 ', data = f)LÄHTÖ:
lineplot ():
Tämän toiminnon avulla voit piirtää tietojesi jatkuvan viivan. Voit käyttää tätä toimintoa vaihtamalla parametrin ”kind” seuraavasti:
ESIMERKKI:
a = pd.DataFrame ({'Päivä': [1,2,3,4,5,6,7], 'Ruokakauppa': [30,80,45,23,51,46,76], 'Vaatteet' : [13,40,34,23,54,67,98], 'Astiat': [12,32,27,56,87,54,34]}, indeksi = [1,2,3,4,5 , 6,7]) g = sns.relplot (x = 'päivä', y = 'vaatteet', kind = 'rivi', data = a) g.fig.autofmt_xdate () LÄHTÖ:
Lineplotin oletusarvo on y x: n funktiona. Sitä voidaan kuitenkin muuttaa, jos haluat tehdä niin. On monia muita vaihtoehtoja, joita voit kokeilla edelleen.
Katsotaan nyt, kuinka luokiteltujen tietojen piirtäminen.
Piirustus kategoriallisilla tiedoilla:
Tämä lähestymistapa tulee kuvaan, kun päämuuttujamme jaetaan edelleen erillisiin ryhmiin (kategorinen). Tämä voidaan saavuttaa käyttämällä catplot () -toimintoa.
catplot ():
Tämä on hahmotason funktio, kuten relplot (). Sitä voidaan luonnehtia kolmella akselitason funktioperheellä:
Hajontapiirit - Näitä ovat kaistale (), parvi ()
Jakelukaaviot - jotka ovat boxplot (), violinplot (), boxenplot ()
Arvioidut piirustukset - nimittäin pointplot (), barplot (), countplot ()
Otetaan nyt muutama esimerkki tämän osoittamiseksi:
ESIMERKKI:
tuo merisyntynyt sns: ksi tuoda matplotlib.pyplot nimellä plt sns.set (style = 'ticks', color_codes = True) a = sns.load_dataset ('tips') sns.catplot (x = 'day', y = 'total_bill', data = a)LÄHTÖ:
Kuten näette, en ole yllä olevassa esimerkissä asettanut parametria 'kind'. Siksi se on palauttanut kaavion oletushajontapiirrokseksi. Voit määrittää minkä tahansa akselitason funktion muuttamaan kaaviota tarpeen mukaan. Otetaan esimerkki tästä:
ESIMERKKI:
tuo merisyntynyt sns: ksi tuoda matplotlib.pyplot nimellä plt sns.set (style = 'ticks', color_codes = True) a = sns.load_dataset ('tips') sns.catplot (x = 'day', y = 'total_bill', kind = 'viulu', data = a) LÄHTÖ:
Yllä oleva tulos näyttää viulukartan vihjeiden tietojoukolle. Yritetään nyt löytää, kuinka visualisoida tietojoukon jakauma.
Tietojoukon jakauman visualisointi:
Tämä käsittelee pohjimmiltaan tietojoukkojen ymmärtämistä, kun konteksti on yksi- tai kaksimuuttujainen. Ennen kuin aloitat, tuo vain seuraavat:
tuonti numero kuten np tuonti pandat pd tuonti merisyntynyt sns tuonti matplotlib.pyplot as plt scipy-tuontitilastoista sns.set (color_codes = True)
Kun tämä on tehty, voit jatkaa yksi- ja kaksimuuttujajakaumien piirtämistä.
Yksimuuttujajakaumien piirtäminen:
Voit piirtää ne käyttämällä distplot () -funktiota seuraavasti:
ESIMERKKI:
a = np.satunnainen. normaali (loc = 5, koko = 100, asteikko = 2) sns.distplot (a)
LÄHTÖ:
Kuten yllä olevasta esimerkistä näet, olemme piirtäneet kuvaajan muuttujalle a, jonka arvot syntyy normaalin () funktion avulla distplot-mallin avulla.
Kaksimuuttujajakaumien piirtäminen:
Tämä tulee kuvaan, kun sinulla on kaksi satunnaista riippumatonta muuttujaa, jotka johtavat johonkin todennäköiseen tapahtumaan. Paras toiminto tämän tyyppisten kaavioiden piirtämiseen on jointplot (). Piirretään nyt kaksimuuttujakaavio käyttämällä jointplot ().
ESIMERKKI:
x = pd.DataFrame ({'päivä': [1,2,3,4,5,6,7], 'ruokakauppa': [30,80,45,23,51,46,76], 'vaatteet' : [13,40,34,23,54,67,98], 'Astiat': [12,32,27,56,87,54,34]}, indeksi = [1,2,3,4,5 , 6,7]) y = pd.DataFrame ({'Päivä': [8,9,10,11,12,13,14], 'Päivittäistavarakauppa': [30,80,45,23,51,46, 76], 'Vaatteet': [13,40,34,23,54,67,98], 'Astiat': [12,32,27,56,87,54,34]}, indeksi = [8,9 , 10,11,12,13,14]) keskiarvo, cov = [0, 1], [(1, .5), (.5, 1)] data = np.satunnainen.muuttuja_normaali (keskiarvo, cov, 200 ) ja sns.axes_style ('valkoinen'): sns.jointplot (x = x, y = y, kind = 'kde', color = 'b') LÄHTÖ:
Nyt kun olet ymmärtänyt Python Seabornin eri toiminnot, siirrytään rakentamaan jäsenneltyjä monen juonen ruudukoita.
Usean tontin ruudukot:
Python Seabornin avulla voit piirtää useita ruudukoita vierekkäin. Nämä ovat pohjimmiltaan kuvaajia tai kuvaajia, jotka on piirretty käyttäen samaa asteikkoa ja akseleita vertailun helpottamiseksi. Tämä puolestaan auttaa ohjelmoijaa erottamaan juonet nopeasti ja saamaan suuria määriä tietoa.
Harkitse seuraavaa esimerkkiä facetgrid () -funktiosta näiden kaavioiden piirtämiseksi.
ESIMERKKI:
sns.set (style = 'darkgrid') a = sns.load_dataset ('iris') b = sns.FacetGrid (a, col = 'laji') b.map (plt.hist, 'sepal_length')LÄHTÖ:
Yllä oleva tulos näyttää selvästi vertailun lounaan ja illallisen aikana annettujen vinkkien välillä. Voit piirtää myös PairGrid-toiminnon avulla, kun sinulla on muuttujapari vertailtavaksi. Harkitse seuraavaa esimerkkiä.
ESIMERKKI:
sns.set (tyyli = 'punkit') a = sns.load_dataset ('lennot') b = sns.PairGrid (a) b.map (plt.sironta) LÄHTÖ:
Kuten näette, yllä oleva tuotos vertaa selkeästi vuotta ja matkustajien lukumäärää eri tavoin.
Seaborn sallii myös esteettisiä mukautuksia, joista keskustellaan tarkemmin.
Juoni-estetiikka:
Tämä Python Seaborn -opetusohjelman segmentti käsittelee tonttien tekemistä houkuttelevammiksi ja miellyttävämmiksi.
Python Seaborn -festivaali:
Ensimmäinen toiminto, josta keskustelen, on asetettu (). Olen käyttänyt tämän toiminnon tyyli-parametria aiemmin. Tämä parametri käsittelee pohjimmiltaan mereneläviä teemoja. Tällä hetkellä niitä on saatavana viisi, nimittäin darkgrid, punkit, whitegrid, valkoinen ja tumma.
Harkitse seuraavaa esimerkkiä, joka osoittaa valkoisen teeman.
ESIMERKKI:
tuo merisyntynyt sns: ksi tuoda matplotlib.pyplot muodossa plt sns.set (style = 'white', color_codes = True) a = sns.load_dataset ('tips') sns.boxplot (x = 'päivä', y = 'total_bill', data = a)LÄHTÖ:
Yllä olevassa tulostuksessa voit huomata, että teema on muuttunut valkoiseksi. Voit tutkia niitä edelleen käyttämällä muita teemoja. Jos huomaat edellisessä lähdössä, kaavion ympärillä on akseleita. Tämä on kuitenkin muokattavissa myös despine () -toiminnon avulla. Katso alla olevaa esimerkkiä.
ESIMERKKI:
tuo merisyntynyt sns: ksi tuoda matplotlib.pyplot muodossa plt sns.set (style = 'white', color_codes = True) a = sns.load_dataset ('tips') sns.boxplot (x = 'päivä', y = 'total_bill', data = a) sns.despine (offset = 10, trim = True) LÄHTÖ:
Huomaa kahden edellisen lähdön ero. On kuitenkin paljon enemmän vaihtoehtoja, joita voit tutkia itse.
Python Seaborn -väripaletit:
Väri on pohjimmiltaan ominaisuus, joka lähestyy ihmisen silmiä muiden ominaisuuksien ulkopuolella. Seabornin avulla voit leikkiä väreillä käyttämällä erilaisia toimintoja, kuten color_palette (), hls_palette (), husl_palette () jne. Katsokaa värejä, joita tällä hetkellä on merisyntyisissä.
ESIMERKKI:
tuoda numero niin kuin np tuoda merisyntynyt kuin sns tuoda matplotlib.pyplot nimellä plt sns.set () presentcolors = sns.color_palette () sns.palplot (presentcolors)
LÄHTÖ:
Yllä oleva kuva näyttää merenpinnassa esiintyvät värit. Olen tehnyt sen käyttämällä palplot () -funktiota. Syvempiä muunnelmia varten voit käyttää hls_paletti (), husl_paletti () jne.
Tämä tuo meidät Python Seaborn -opetusohjelman loppuun. Toivon, että olet ymmärtänyt kaiken selvästi. Varmista, että harjoittelet niin paljon kuin mahdollista .
Onko sinulla kysymys meille? Mainitse se tämän “Python Seaborn Tutorial” -blogin kommenttiosassa, niin otamme sinuun yhteyttä mahdollisimman pian.
Saadaksesi syvällistä tietoa Pythonista sen eri sovellusten kanssa, voit ilmoittautua livenä 24/7 -tuella ja käyttöikä.