Seaborn spredt plot

“Seaborn er en praktfull Python -visualiseringsteknikk for å vise analytiske representasjoner. Det inkluderer tiltalende standardstiler og livlige farger som skaper statistiske grafer som er veldig fengslende. Det implementeres i starten av Matplotlib -rammeverket og er intimt knyttet til Pandas moduler. Scatterplots blir brukt med en rekke semantiske kategorier for å hjelpe til med visuell analyse. Dette kan skape todimensjonale bilder som kan utvides ved å oversette opp til forskjellige parametere og bruke fargen, størrelsen og layoutattributtene 'semantikk.

Alle funksjonene påvirker optisk tolkning som kan brukes til å skille mellom undergrupper. Når det gjelder å produsere visuelle bilder mer effektivt, vil det være nyttig å bruke overflødige tolkninger. I denne artikkelen har vi gått gjennom flere tilnærminger som brukes til å tegne spredningsplottene ved å bruke Seaborn Library.”

Bruk ScatterPlot () -funksjonen

Vi brukte spredningsplott () -metoden for å lage spredningsplottet. Her brukes tipsene med data i spredningsplottet. Dette vil være en samling av tipsdata avhengig av den samlede regningen. For et plott kan vi bruke hvilken som helst dataramme. Koden er skrevet i Windows CMD og vises som følger.

Først av alt er det få nødvendige biblioteker. Biblioteket Numpy vil bli importert som NP; Pandas vil bli importert som PD, Matplotlib vil bli importert som MPL, Malplotlib.Pyplot som PLT, og SeaBorn vil bli importert som SNS. I neste linje blir lastdatasettet () -funksjonen brukt for å laste inn datarammen. Vi har gitt "tips" som argumentet for denne funksjonen.

Deretter bruker vi SET () -funksjonen til Seaborn -biblioteket for å spesifisere fargekodene. For å tegne Scatterplot, har vi benyttet oss av spredt () -metoden. Denne funksjonen inneholder tre forskjellige parametere som verdiene til x, y-akser og verdien av data. Vi har brukt Show () -metoden for å representere plottet.

Plott forskjellige kategorier

Vi vil bruke en parameter som heter “Hue” i denne scatterplot; Det gjør det mulig for brukere å vise komponenter fra en grafvariabel. Denne attributtet vil bli brukt til å visualisere kategoriene i en nominell variabel. Koblingen mellom lengde og bredde på Sepal på flere varianter er vist. Hue -attributtet gjør oss i stand til å skildre kategoriserte verdier i forskjellige toner. Koden er skrevet i Windows CMD og vises som følger.

Etter å ha inkludert bibliotekene Seaborn og Matplotlib.Pyplot, vi har erklært variabelen “iris_data.”Og vi har tildelt de lastede dataene om iris til denne variabelen. I neste linje har vi spesifisert størrelsen på grafen ved å bruke figur () -funksjonen. Størrelsen lagres i variabelen “f.”

Nå har vi brukt spredningsplott () -metoden. Denne funksjonen brukes til å tegne plottet. Vi har gitt etikettene til begge aksene, verdien av fargetone og datarammen som parametere. Til slutt brukes showet () -funksjonen for å illustrere plottet.

Tilpass fargen

Ved å bruke palettargumentet, viste vi Scatterplot med et tilpasset fargeskjema. Denne funksjonen muliggjør visning av den kategoriserte variabelen gjennom en ekspanderende fargetone, med kategoriene vist for å øke den numeriske aggregatparameteren fra blekere til mørkere nyanser.

Siden arten har en lengre blomsterlengde enn andre arter, blir den fremstilt i den dystre skyggen, mens de med kortere kronbladestørrelser er avbildet i lysere nyanser. Koden er skrevet i Windows CMD og vises som følger.

I starten av programmet integrerte vi nettopp overskriftsfilene som kreves for å plotte. Lastdatasett () -funksjonen vil bli brukt til å laste inn Iris -datarammen. Denne metoden gjenspeiler hovedattributtene til tre forskjellige irisblomster, inkludert lengde, bredden på sepal, lengde og bredde på kronbladet. Størrelsen på den definerte figuren er definert av funksjonsfiguren ().

Deretter, ved å bruke ScatterPlot () -metoden, plottet vi lengden på kronbladene til de forskjellige irisblomstene til datarammen i en spredt plot. Lengden på kronbladene i de tre variantene av blomster skiller seg betydelig. Vi spesifiserer verdien av "paletten" -argumentet til "magma" i funksjonen. Vi har brukt Show () -metoden for å betegne den resulterende plottet.

Juster formen

Vi vil også bruke parameteren "markør" for å tilpasse spredningspunktmønsteret til alle utvalgte design. I markedsparameteren kan vi spesifisere stilen til spredningspunktene som krever. I dette tilfellet har vi indikert punktene med et "+" -symbol. Den ekstra parameteren som heter “Alpha” brukes til å vise den relative luminansen til de forskjellige punktene. Koden er skrevet i Windows CMD og vises som følger.

Seaborn og matplotlib.Pyplot -overskriftsfiler er introdusert. Vi må laste datarammen til iris, så vi har ansatt Load_Dataset (). Den neste linjen inneholder funksjonen der vi justerer størrelsen på plottet. For å lage plottet benyttet vi ScatterPlot () -funksjonen. For de forskjellige typer iris blomstrer, viste vi bredden på sepalen på x-aksen på plottet og lengden på kronbladet på y-aksen.

For å identifisere spredningspunktene i henhold til lengden på forskjellige arter, brukte vi en spesifikk parameter som ble betegnet størrelser. Vi vil observere at spredningspunktene endres i størrelse fra bredere til mindre avhengig av sepalens lengde. Vi kan definere nøyaktig forskjellen mellom parametere som bruker en spesifikk versjon ved å tilby "størrelser" -parameteren. Vi ga funksjonen parameteren "markør" og tildelte den verdien "+.”For å skildre plottet brukes showet () funksjonen.

Konklusjon

Vi har diskutert Seaborn Scatterplot ved å bruke forskjellige forekomster i denne artikkelen. Vi har trukket flere spredningsplotter med støtte fra sjøborn og matplotlib -biblioteker. Denne artikkelen demonstrerte også mange elementer i ScatterPlot () -funksjonen. Det integrerte biblioteket Seaborn blir ansatt på Python -språket. Det tilbyr et unikt visuelt analytisk grensesnitt. Komponenter som leverer datasett, prosesser og databehandling utgjør systemet. Seaborn- og matplotlib -modulene brukes ofte innen dataanalyse. Når det gjelder å designe bilder mer oppnåelig, kan det være å foretrekke flere forestillinger.