Seaborn lineplot

Seaborn er et matplotlib-basert visuell analysebibliotek. Det har et rammeverk på høyt nivå for å definere visuelt tiltalende analytiske grafer. Matplotlib er grunnlaget for sjøborn. Seaborn -modulen lar oss lage detaljerte linjeplotter. Det visuelle vil bli ytterligere justert med matplotlib -funksjoner før de vises for noen av matplotlib -modulene for å gi kvalitetsgrafikk.

Seaborn tilbyr et bedre grensesnitt enn matplotlib. Slik at brukerne kan forenkle mange av modifikasjonene. Noen operasjoner som ellers ville være pålagt å lage matplotlib -grafer som følsomme. Det fungerer også bra med Pandas datatyper som gjør data forbehandling og visualisering av enkelt. Den inneholder også flere grafer som har nyttige parametere og en tiltalende layout.

Lag en linjeplott som gir mulighet for flere semantiske kategorier. Paletten, størrelsen og layoutattributtene vil bli brukt til å vise korrelasjonen mellom variablene for spesifikke datasett. Flere attributter bestemmer hvilke grafiske semantikk som har blitt brukt for å skille de forskjellige kategoriene. Ved å bruke de semantiske variantene er det oppnåelig å skildre elementene separat. Imidlertid kan denne måten av plottet være vanskelig å forstå og er vanligvis ineffektiv.

Men å produsere visuelle mer brukbare og tilby flere semantikk (for eksempel både fargetone og design for nesten et lignende element) kan være å foretrekke. La oss tegne linjeplott ved å bruke forskjellige metodologier.

Bruk lineplot () -funksjon

I dette tilfellet har vi brukt lineplot () -metoden for å lage en linjeplott. Seaborn -biblioteket har funksjonslinjeplottet (). Vi kommer til å bruke tilfeldige data for å tegne linjetakten:

Importer pandaer som PD
Importer sjøborn som SNS
Importer matplotlib.Pyplot som Plt
År = [2011, 2013, 2015, 2017, 2019, 2021, 2022]
Overskudd = [90, 85.8, 60, 55, 77.5, 29, 45.6]
data_plot = pd.DataFrame ("år": år, "Profit": fortjeneste)
sns.lineplot (x = "år", y = "profit", data = data_plot)
plt.forestilling()

I starten av programmet må vi integrere noen biblioteker. Bibliotekpandaene vil bli integrert som 'PD', Seaborn vil bli integrert som 'SNS', og Matplotlib.Pyplot vil bli integrert som 'PLT'. Pandas er en av de innebygde pakkene som er ment å gjøre det enkelt og instinktivt å operere med lineære eller kategoriserte data. Det inkluderer noen datamodeller og metoder for å jobbe med statistisk informasjon og generaliserte lineære data. Seaborn er en Python -modul for å lage numerisk visuals. Det er basert på matplotlib og korrelerer effektivt med Pandas -biblioteket.

Seaborn Library hjelper brukere med å få tilgang til og evaluere dataene. Blant de mest utnyttede modulene for dataanalyse er matplotlib. Dette biblioteket vil være en pakke på tvers av plattformer som oppretter to -dimensjonale diagrammer ved hjelp av en rekke data. Det inkluderer et grensesnitt for integrering av grafer i python grafiske rammer basert på applikasjoner.

I neste linje har vi initialisert en variabel som heter 'år' og tildelt noen tilfeldige år fra 2011 og slutter i 2022. Deretter spesifiserer vi datasettet for fortjeneste og definerer verdiene. Vi har brukt datarammen () -funksjonen. For å få en kort oversikt over det nye datasettet, bruker du DataFrame () -metoden i Pandas '-pakken. Det er spesielt nyttig å utføre undersøkende dataevaluering. Vi bruker DataFrame () -metoden for å få tilgang til en dynamisk innsikt i originaldataene. Denne funksjonen holder variablene 'år' og 'fortjeneste' som parametere. Disse dataene lagres i variabelen 'Data_plot'.

Nå, tegne linjetakten. Så vi har brukt det på Lineplot () -metoden til Seaborn Library. Her. Vi har gitt etikettene til x- og y -aksene. X-aksen vil bli stemplet som 'år' og y-aksen vil bli stemplet som 'fortjeneste'. Til slutt illustrerer vi linjeplottet slik at Show () -metoden brukes.

Den proporsjonale korrelasjonen mellom de to forskjellige elementene i datasettet er vist i ovennevnte plot.

Bruk 'Iris' dataramme

Her har vi påkalt Lineplot () -funksjonen for å illustrere datarammen til irisblomstring:

Importer sjøborn som SNS
Importer matplotlib.Pyplot som Plt
Data = SNS.LOAD_DATASET ("Iris")
sns.lineplot (x = "sepal_length", y = "sepal_width", data = data)
plt.forestilling()

Etter å ha introdusert de nødvendige topptekstfilene Seaborn og Matplotlib.Pyplot, vi kommer til å laste inn datarammen til irisblomstring. Så vil Load_Dataset () -funksjonen bli brukt. Denne funksjonen er relatert til Seaborn -pakken. Vi har gitt 'Iris' som en attributt til denne funksjonen. Nå tegner vi den spesifikke linjeplottet vi har brukt på lineplot () -metoden. Denne funksjonen inneholder forskjellige parametere.

Lengden og bredden på sepalene er gitt som attributter. Plottets x-aksen viser sepalens lengde, mens y-aksen viser bredden på sepal. Etter alt dette har vi brukt Show () -metoden for bare å vise linjeplottet på skjermen.

Bruk 'Hue' -parameteren for LinePlot () -funksjonen

Argumentet 'Hue' kan brukes for å kategorisere flere parametere for datarammen og kan brukes til å demonstrere korrelasjonen mellom datafelt for begge aksene når dataene er spesifisert som en parameter til funksjonen.

Importer sjøborn som SNS
Importer matplotlib.Pyplot som Plt
Data = SNS.LOAD_DATASET ("TIPS")
sns.lineplot (x = "total_bill", y = "størrelse",
Hue = "Sex",,
data = data)
plt.forestilling()

Først importerer vi overskriftsfilene Seaborn og Matplotlib.Pyplot. Vi kommer til å få tilgang til en tips dataramme. Som et resultat vil lastdatasetten () metoden bli kalt. Vi har tildelt parameterens tips 'metode. Vi har brukt lineplot () -metoden for å bygge en bestemt linjeplott. Denne metoden har et sett med parametere. Attributter, total regning, størrelse, fargetone og stil er spesifisert. Den totale regningen er plottet på x-aksen, mens størrelsen er plottet på y-aksen.

Vi har satt verdien av 'fargetone' til 'sex' og stilen til 'sex'. Etter det brukte vi showet () for å bare presentere linjeplottet på terminalen.

Konklusjon

I denne artikkelen har vi undersøkt hvordan du tegner linjeplott ved å bruke funksjonen Lineplot () til Seaborn -modulen i Python. Vi har også laget linjetomtene ved hjelp av flere eksempler og ved å sende forskjellige parametere til denne funksjonen. Flere linjer kan trekkes for å vise dataene på identiske steder eller grafer. Vi kan representere samspillet mellom flere datrader eller dataelementer ved å bruke lignende eller diverse datasett eller dataparametere. For å tegne fargegradienter for mange datasett, har vi brukt 'fargetone' -argumentet.