Seaborn multiple

In questo tutorial di suggerimenti Linux, esamineremo come disegnare più trame nella struttura di Seaborn. Questo è un approccio praticabile per la creazione di molte versioni del grafico identico utilizzando vari set di dati. Consente a un utente di recuperare una grande quantità di dati da un set complicato in breve tempo. Utilizzeremo il metodo facetGrid () in Seaborn per disegnare diverse rappresentazioni grafiche in un'unica interfaccia. Facetgrid è un metodo per creare matrici dipendenti da un metodo. Aiuta nella rappresentazione sia della dispersione di un fattore specifico che della correlazione tra i vari parametri. Il suo oggetto prende come argomento un insieme di dati e i valori dei parametri per determinare gli aspetti della tinta, la riga e la colonna della griglia.

Esempio 1

Utilizzeremo i dati, che sono forniti come una cornice di dati integrata nel pacchetto Seaborn, per configurare i grafici e le dimensioni, ma ciò non visualizzerebbe nient'altro su questi grafici. La funzionalità di base è praticamente identica a quella di FacetGrid. Per prima cosa creiamo la griglia e forniamo la funzionalità Crea a un metodo di visualizzazione, che viene eseguito per ogni sottotrama. Il codice è allegato qui ed è stato implementato in Windows CMD installando Python e Libraries correlati.

Importa Seaborn come SNS
Importa Numpy come NP
Importa panda come PD
Importa matplotlib.Pyplot come Plt
Suggerimenti = SNS.load_dataset ("suggerimenti")
G = SNS.Facetgrid (suggerimenti, col = "tempo")
Plt.spettacolo()

All'inizio del codice, abbiamo importato alcune biblioteche richieste Seaborn come SNS, Numpy come NP, Panda come PD e Matplotlib.Pyplot come Plt. Ora vogliamo recuperare il frame di dati, quindi abbiamo utilizzato il metodo load_dataset (). E abbiamo dato suggerimenti come argomento per questa funzione. Per rappresentare semplici grafici multipli, abbiamo chiamato il metodo FaceGrid (). Abbiamo fornito suggerimenti e col di questa funzione come parametri. Alla fine, abbiamo dovuto visualizzare la trama, quindi abbiamo utilizzato il metodo Show ().

Seaborn Facetgrid

Esempio 2

In questa situazione, disegneremo il diagramma a dispersione utilizzando il metodo ScatterPlot (). Possiamo usare il modulo facetGrid () per creare numerosi grafici. Visualizza ogni campo di un set di dati sul set di numeri della matrice, che mostra varie dimensioni. Per gli attributi ordinali, possiamo utilizzare l'attributo Hue, con ogni tono che indica una categoria separata. Il codice è allegato qui ed è stato implementato in Windows CMD installando Python e Libraries correlati.

Importa Seaborn come SNS
Importa Numpy come NP
Importa panda come PD
Importa matplotlib.Pyplot come Plt
Suggerimenti = SNS.load_dataset ("suggerimenti")
G = SNS.FacetGrid (suggerimenti, col = "sesso", hue = "fumatore")
G.Mappa (SNS.ScatterPlot, "Total_Bill", "Tip", Alpha =.8)
G.add_legend ()
Plt.spettacolo()

Dopo aver introdotto i file di intestazione Seaborn, Numpy, Panda e Matplotlib.Pyplot. Caricheremo il frame di dati dei suggerimenti. Quindi verrà utilizzata la funzione load_dataset (). Questa funzione è correlata al pacchetto Seaborn. E abbiamo dato "suggerimenti" come attributo a questa funzione.

Ora vogliamo disegnare diversi grafici, quindi abbiamo applicato il metodo FacetGrid () del modulo Seaborn. Questa funzione contiene parametri diversi. I suggerimenti, i valori del col e la tonalità sono dati come attributi. Vogliamo disegnare il grafico a dispersione, quindi nel passaggio successivo, chiamiamo la funzione ScatterPlot (). Insieme a questo, specifichiamo anche il valore di Alpha come argomento della funzione ScatterPlot ().

Per inserire la legenda sul grafico, abbiamo eseguito il metodo add_legend (). Alla fine, abbiamo impiegato il metodo Show () per rappresentare il diagramma finalizzato sullo schermo.

Facetgrid con tonalità

Esempio 3

In questo caso disegneremo diversi grafici KDE con l'aiuto del metodo KDEPlot (). I valori nel set di dati vengono utilizzati per determinare la disposizione standard degli elementi. La sequenza delle categorie viene distribuita se il parametro applicato per creare aspetti possiede un ordinamento classificato.

In alternativa, gli aspetti verrebbero visualizzati nel modo in cui esistono i livelli di attributo. Sebbene, l'argomento *_order corrispondente può essere utilizzato per fornire indicizzazione di qualsiasi componente di aspetto. Il codice è allegato qui ed è stato implementato in Windows CMD installando Python e Libraries correlati.

Importa Seaborn come SNS
Importa Numpy come NP
Importa panda come PD
Importa matplotlib.Pyplot come Plt
Suggerimenti = SNS.load_dataset ("suggerimenti")
ordinato_days = suggerimenti.giorno.value_counts ().indice
G = SNS.FacetGrid (suggerimenti, row = "day", row_order = ordered_days,
altezza = 1.8, aspetto = 5)
G.Mappa (SNS.kdeplot, "total_bill")
Plt.spettacolo()

Prima di tutto, integriamo i file di intestazione Seaborn come SNS, Numpy come NP, Panda come PD e Matplotlib.Pyplot. Nel prossimo passaggio, accederemo a un frame di dati TIPS. Di conseguenza, il metodo load_dataset () del framework Seaborn sarebbe chiamato. E abbiamo assegnato questo metodo i "suggerimenti" del parametro. Abbiamo usato il metodo facetGrid () e creando numerosi grafici. Il modulo Seaborn contiene questa funzione.

Come attributi, suggerimenti, riga, riga, altezza e aspetto sono specificati. Le file della trama mostrano i giorni. Il valore dell'altezza sarà 1.8 e l'aspetto sarà 5. Per illustrare la trama KDE, abbiamo chiamato la funzione KDEPlot () del pacchetto Seaborn. Successivamente, abbiamo applicato la funzione show () per rappresentare semplicemente il grafico.

Esempio 4

Disegneremo diversi grafici chiamando la funzione FuncetGrid (). In questo scenario, vogliamo rappresentare il diagramma di regressione, quindi utilizzeremo la funzione RegPlot (). Il costruttore accetta diversi parametri per personalizzare il layout della griglia. Il codice è allegato qui ed è stato implementato in Windows CMD installando Python e Libraries correlati.

Importa Seaborn come SNS
Importa Numpy come NP
Importa panda come PD
Importa matplotlib.Pyplot come Plt
Suggerimenti = SNS.load_dataset ("suggerimenti")
G = SNS.FacetGrid (suggerimenti, row = "fumatore", col = "time", margin_titles = true)
G.Mappa (SNS.Regplot, "Size", "Total_Bill", Color = ".4 ", fit_reg = false, x_jitter =.2)
Plt.spettacolo()

Qui incorporeremo le biblioteche richieste Seaborn, Numpy, Panda, Matplotlib.Pyplot. Ora dobbiamo ottenere la cornice dei dati, quindi dobbiamo utilizzare il metodo load_dataset () del file di intestazione di Seaborn. Il metodo facetGrid () viene utilizzato per rappresentare molte mappe in modo da invocare questa funzione. Specifichiamo il valore del nuovo attributo "margin_titles" come vero.

Quindi vogliamo disegnare le trame di regressione, quindi abbiamo chiamato il metodo RegPlot (). Questa funzione contiene i parametri tra cui dimensioni, total_bill, colore, fit_reg e x_jitter. I giorni ordinati mostreranno l'indice di valore_count (). La funzione Show () del pacchetto Seaborn sarà applicata per illustrare la trama.

Conclusione

In questo articolo, abbiamo esplorato come disegnare i più grafici con l'aiuto della funzione facetgrid () del pacchetto Seaborn in Python. Utilizzando le rispettive funzioni, è possibile disegnare diverse varietà di più trame. Quando intendiamo illustrare la dispersione di un parametro o l'associazione all'interno di numerosi fattori manualmente in tutti i sottoinsiemi dei dati originali, il modulo FacetGrid è molto utile.