Seaborn fargepalett

Farge er mye mer viktig enn de fleste elementer i visuell utforming siden den kan belyse eller skjule mønstre fra data avhengig av hvor godt det brukes. Seaborn Library gjør det enkelt å gi og integrere fargeskjemaer som er passende for hvilken type data vi samhandler med og visualiseringsstrategiene vi har definert. Color_palette () er en sjøkabornmetode som vil bli brukt til å gi fargetoner til grafer og tilordne dem ytterligere estetisk kvalitet.

Color_palette () -funksjonen er den mest integrerte delen av å operere med unike fargevalg. Denne metoden brukes implisitt av funksjonen som inneholder en palettparameter. Det gir også en plattform for noen av de andre forskjellige metodene vi kan lage nyanser i Seaborn. Set_palette () -funksjonen er en relatert metode til fargepalett ().

Både funksjonene set_palette () og colour_palette () tar lignende parametere, men standard matplotlib -variabler endres for å bruke paletten i alle grafer. Hver sjøbornpalett kan brukes med Colour_Palette () -funksjon. Dette kan også være utstyrt med et sett med fargetoner i alle passende matplotlib -konfigurasjoner. I denne artikkelen skal vi se hvordan du legger fargetoner i det visuelle ved å bruke Color_palette -parameteren til funksjonen.

Fargepaletter med høykvalitetsnivå

For å vise strukturerte variabler er kvantitative eller kategoriserte paletter passende. Vi har kanskje ikke gitt color_palette () tilleggsargumenter, og nå observerer vi 10 nyanser som standard. Vi kan observere den nødvendige variasjonen av nyanser ved å justere "n" fargestyrket til en variabel. Palplot () -metoden vil bli brukt til å langsgående skildre spekteret av farger.

Her skal vi integrere Matplotlib -biblioteket fra Pyplot som PLT og Seaborn som SB. Nå har vi brukt Color_palette () -metoden til Seaborn Library. Vi setter verdien av denne funksjonen til Current_palatte. Deretter brukes funksjonen palplot () av ​​sjøborn. Denne funksjonen inneholder Current_palette som parameter. På slutten, for å representere Color_palettes, har vi ansatt PLT.show () funksjon. Utgangsskjermen er festet her som representerer fargepaletten.

Fargepaletter i orden

Synkrone grafer er nyttige for å illustrere statistiske parametere som spenner fra de laveste til de høyeste nivåene i et spekter. Den sekvensielle grafen opprettes ved å legge til det spesifikke elementet 's til fargen gitt til fargeargumentet. I dette tilfellet må vi legge til argumentet, som er 'blues.'

Etter å ha importert Matplotlib og Seaborn -bibliotekene, har vi brukt Color_Palette () -metoden og spesifisert verdien av denne funksjonen til variabelen Current_palette. I neste trinn har vi brukt Palplot () -metoden som inneholder funksjonen Color_Palette () som argument. Begge funksjonene er relatert til Seaborn Header -filen. Vi har spesifisert fargen på plottet ved å overføre 'blues' til funksjonen color_palette (). Plt.Show () Metode blir brukt for å illustrere fargepalettene. Utgangsskjermen som representerer fargepaletten er festet her.

En fargepalett som er divergent

To separate fargetoner har blitt brukt i divergerende paletter. Hver farge gjenspeiler en statistisk forskjell i begge orientering fra et sentrumspunkt. Varmekartet i den påfølgende forekomsten bruker to kontrastfarger. Når du viser avvikende data, vil "senter" -argumentet bli brukt til å bestemme verdien der Colormap skal være sentrert. Dataene er orientert på null som er standarden. Ved å gi en verdi til argumentet 'senter', kan vi manipulere det. Vi vil se en illustrasjon av et varmekart som har data sentrert på 2 ved å inkludere en divergent colormap.

I starten av programmet importerer vi biblioteket Seaborn som SNS, Matplotlib.Pyplot som PLT, Pandas som PD, Numpy som NP. Nå ønsker vi å lage datarammen slik at vi har brukt RANDN () -funksjonen til Numpy -modulen. Vi erklærer en variabel 'df' for å beholde verdien av datarammen. I neste trinn må vi tegne varmekart for den spesifiserte datarammen, så vi bruker varmekart () -funksjonen. Seaborn -pakken inneholder denne funksjonen.

Vi har gitt datarammen og verdien av "Center" -variabelen som argumenter for funksjonen Heatmap (). Funksjonen plt.show () brukes til å vise det resulterende varmekartet. Utgangsskjermen som representerer fargepaletten er festet her.

Lag et kart ved å bruke diskrete data

Vi kan forvandle kategoriske data til diskrete og anvende antall verdier i visualiseringen hvis dataene består av disse. Forekomstene nedenfor viser hvordan og når du skal konvertere kontinuerlige variabler til diskontinuerlige data.

Først av alt innlemmer vi de nødvendige bibliotekene. Biblioteket Seaborn vil bli importert som SNS, Matplotlib.Pyplot, Pandas og Numpy er alle referert til som henholdsvis PLT, PD og NP. Nå som vi har tenkt å generere en dataramme, har vi brukt Numpy -modulens Randn () -metode. Verdiene er definert av denne teknikken. Vi spesifiserer i tillegg en variabel 'DF' for å holde innholdet i datarammen. Pandas -bibliotekets DataFrame () -metode vil derfor bli brukt. Denne metoden diskretiserer attributtverdiene. Datasettets elementer vil bli delt inn i tre kategoriske variabler.

Vi brukte "Col" -variabelen for å identifisere Heatmaps kolonner. Listen () -funksjonen tar Range () -metoden som et argument. Her skal vi bruke Heatmap () -metoden for å lage et varmekart av det medfølgende datasettet. Denne metoden vil bli inkludert i Seaborn -modulen. Det genererte varmekartet visualiseres ved å bruke PLT.Show () Metode. Utgangsskjermen representerer fargepaletten er festet her.

Konklusjon

Vi diskuterte Colour_palette () -funksjonen til Seaborn -biblioteket som vil bli brukt for å fargelegge grafen i denne artikkelen. Vi kan lage datasettene ved hjelp av flere farger ved hjelp av en palett. Vi har snakket om hvordan paletten skal brukes til å lage flere Colormap -kombinasjoner i illustrasjoner. Vi har brukt Seaborn -biblioteket til å tegne et enkelt varmekart og gjøre enkle tilpasninger, men vi kan ytterligere justere diagrammets fargevalg.