Seaborn Barplot

“Seaborn er en matplotlib-basert visuell analysepakke. Det har også et interaktivt brukergrensesnitt på høyt nivå og visuelt tiltalende og lærerikt analytisk visuals. En godt designet grafikk ville bare være særegen. Nyansene pop, teksturene smelter sammen effektivt, formene flyter jevnt, og totalpakken ser ikke bare veldig bra ut, men dette gir oss også verdifull informasjon.

Med tykkelsen på hver piksel, viser en stangplott en indikasjon på normalfordeling for en sekvens av verdier og gir et betydelig mål på variabiliteten rundt en viss figur som bruker feilstenger. Hver gang 0 er et relevant tall for den numeriske parameteren, men vi vil sammenligne ting mot det også, er stolpediagrammer en god strategi.

Et punktplott gjør det mulig for oss å legge vekt på variasjoner innenfor verdier av en enkelt eller flere kvantitative variabler i datarammer når 0 ikke ville være en bemerkelsesverdig verdi. Imidlertid er det avgjørende å huske at en stolpeplott bare viser gjennomsnittsverdien, mens under mange omstendigheter som illustrerer dataområdet på hvert punkt i de kvantitative variablene vil være mer lærerikt.”

Bruk Barplot () -metode

Et stolpeplott er en graf som brukes til å integrere datapunkter som bruker forskjellige metoder; Gjennomsnittet har alltid vært standard. Det kan også sees på som en kollektiv visuell representasjon gjennom operasjonen. Vi finner en passende kategorisert rad for x-aksen og en kvantitativ rad for Y-aksen for å bruke dette diagrammet, og vi observerer at den gir en graf med en gjennomsnittlig per ordinær rad. I dette tilfellet har vi brukt Barplot () -funksjonen for å tegne bardiagrammet.

Importer sjøborn som SNS
Importer matplotlib.Pyplot som Plt
df = sns.LOAD_DATASET ('Titanic')
sns.barplot (x = 'hvem',
y = 'Fare',
data = df)
plt.forestilling()

Først av alt har vi introdusert de nødvendige overskriftsfilene. Headerfilen Seaborn vil bli importert som SNS, og matplotlib.Pyplot vil bli introdusert som PLT. Seaborn Library gir et bedre grensesnitt som brukes til å trekke overbevisende statistiske plott. Deretter har vi lastet inn datarammen som er brukt for grafing. Seaborn -biblioteket har dette datasettet. Vi erklærer en variabel “DF” for lagring av dette datasettet.

Nå må vi tegne en Barplot, så vi har brukt Barplot () -metoden på Seaborn -biblioteket. Vi får x-aksen, y-aksen og datasettet som argumenter til funksjonen Barplot (). Til slutt, for å representere plottet, har vi brukt show () -metoden.

Grafens x-aksen er merket med begrepet “hvem”, og y-aksen er merket med “billett.”

Tilpasset fargen

Vi kan tilpasse fargen på barplottet ved å bruke palettparameteren. Vi setter verdien av fargen ved hjelp av dette argumentet. Funksjonen Barplot () inneholder parameteren til paletten.

Importer sjøborn som SNS
Importer matplotlib.Pyplot som Plt
df = sns.LOAD_DATASET ('Titanic')
sns.barplot (x = 'hvem',
y = 'Fare',
fargetone = 'klasse',
data = df,
palette = "magma")
plt.forestilling()

Vi vil integrere to biblioteker i startlinjene i koden. Seaborn -overskriftsfilen vil bli integrert som SNS, og Matplotlib.Pyplot vil bli integrert som PLT. Seaborn-modulen inneholder forskjellige metoder som tilbyr et mer brukervennlig grensesnitt for å definere høy statistisk visualisering.

Etter det hentet vi Titanic -datasettet. Denne datarammen er tilgjengelig i Seaborn Header -filen. Vi oppretter en variabel kalt “DF” for å holde disse dataene. Vi må nå tegne en barplot; Dermed har vi brukt Barplot () funksjonsoverskriftsfilen Seaborn. Parametrene til funksjon Barplot () er x-aksen, y-aksen, datasettet, fargen og paletten (). Både X- og Y-aksverdiene er gitt her. Vi valgte også palett nyanser. Til slutt brukte vi Show () -metoden for å illustrere plottet.

I denne utgangen er fargen på palettene magma, som vist på figuren nedenfor.

Barplot -tips

TIPS -datarammen brukes i Barplot TIPS -grafen, som vist nedenfor. Den viser den totale mengden tips oppnådd av kjønn. Den bruker magma -paletten som inkluderer flere nyanser av magma.

Importer numpy som NP
Importer pandaer som PD
Importer matplotlib.Pyplot som Plt
Importer sjøborn som SNS
sns.set_context ('papir')
TIPS = SNS.LOAD_DATASET ('TIPS')
sns.barplot (x = 'dag', y = 'total_bill', fargetone = 'sex', data = tips,
palette = 'magma', edgecolor = 'w')
Tips.Groupby (['Day', 'Sex']).mener()
plt.forestilling()

I begynnelsen av programmet har vi importert Numpy som NP, Pandas som PD, Matplotlib.Pyplot som PLT, og Seaborn som SNS. Disse bibliotekene gir metodologiene for å tegne grafer. Nå har vi brukt kontekst () -funksjonen til Seaborn Library. Denne funksjonen gir verdien av parameteren basert på konteksten. Nå har vi brukt funksjonen Load_Dataset () -metoden for å skaffe dataramme “Tips.”Denne datarammen er relatert til Seaborn Header -filen. Barplott er trukket ved hjelp av Barplot () -metoden til Seaborn Library. Denne funksjonen har forskjellige parametere, inkludert x-aksen, y-aksen, fargen, data, palett og kantfarge.

Vi har justert verdien av x-aksen til "dag", verdien av y-aksen som "total_bill", verdien av fargetone som "sex", verdien av fargen på paletten som "magma" og Fargen på kantene som “w.”Vi grupperer også dataene fra barplottet ved å bruke parameteren“ Day ”og“ Sex.”Deretter brukes funksjonen (). Denne funksjonen brukes for å bestemme gjennomsnittet av den oppgitte listen over forskjellige verdier. Vi kan få gjennomsnittet av datarammen som er gitt som argumenter. For å visualisere barplottet, har vi brukt show () -funksjonen.

Den ovennevnte koden blir utført med hell. Tomtets x-aksen viser navnene på fire hverdager, og Y-aksen viser verdien av den totale regningen.

Konklusjon

Ved hjelp av forskjellige tilfeller demonstrerer denne artikkelen metodene for å lage en barplot i Python ved å bruke sjøborn. Koblingen mellom en kvantitativ og en kategorisk parameter er illustrert av en barplot. Hver kategoriske dataenhet er avbildet ved å bruke en stolpe. Tallverdien uttrykkes ved dimensjonen til stangen. Vi kan tilpasse fargen på barplottet. Vi har trukket barplottet ved å bruke Barplot () -metoden.