Šajā rakstā mēs apspriedīsim, kā mēs varam izveidot a skaitīšanas grafiks izmantojot jūras bibliotēku un kā dažādus parametrus var izmantot, lai secinātu rezultātus no mūsu datu kopas funkcijām.
Seaborn bibliotēka
Jūras bibliotēku plaši izmanto datu analītiķi, un tajā esošā diagrammu galaktika nodrošina vislabāko iespējamo mūsu datu attēlojumu.
Jūras bibliotēku var importēt mūsu darba vidē, izmantojot
import seaborn as sns
Tagad apspriedīsim, kāpēc mēs izmantojam skaitīšanas grafiku un kāda ir tā parametru nozīme.
Skaitīšanas diagramma
Skaitīšanas diagramma tiek izmantota, lai attēlotu novērojuma gadījumu( skaitu), kas atrodas kategoriskajā mainīgajā.
Tas izmanto joslu diagrammas jēdzienu vizuālajam attēlojumam.
Parametri -
Kad mēs veidojam skaitīšanas grafiku, tiek norādīti šādi parametri, ļaujiet mums iegūt īsu priekšstatu par tiem -
Tagad apskatīsim, kādi ir dažādi veidi, kā attēlot mūsu atribūtus.
Pirmajā piemērā mēs izveidosim skaitīšanas grafiku vienam mainīgajam. Mēs esam izmantojuši datu kopas “padomus”, lai ieviestu to pašu.
powershell administrators
1. Vērtība tiek skaitīta vienam mainīgajam
Piemērs -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex',data=df) plt.show()
Izvade:
Nākamajā piemērā mēs izmantosim parametru nokrāsa un izveidosim skaitīšanas grafiku.
Sekojošā programma ilustrē to pašu -
2. Divu kategorisku mainīgo attēlošana, izmantojot nokrāsas parametru
Piemērs -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex',hue='smoker',data=df) plt.show()
Izvade:
Nākamajā piemērā mēs apsvērsim y asi un izveidosim horizontālu skaitīšanas grafiku.
Sekojošā programma ilustrē to pašu -
3. Horizontālo zemes gabalu veidošana
Piemērs -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(y='sex',hue='smoker',data=df) plt.show()
Izvade:
Tagad apskatīsim, kā krāsu paletes var uzlabot mūsu datu prezentāciju.
Nākamajā piemērā mēs izmantosim parametru 'palette'.
Sekojošā programma ilustrē to pašu -
4. Izmantojot krāsu paletes
Ievade-
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex', data=df, palette='Set1') plt.show()
Izvade:
Nākamajā piemērā mēs izmantosim parametra krāsu un redzēsim, kā tas darbojas?
Sekojošā programma ilustrē to pašu -
5. Parametra “color” izmantošana
Piemērs -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') #plotting the graph sns.countplot(x='Pclass',hue='Sex', data=df, color='green') plt.show()
Izvade:
Tagad mēs izmantosim parametru “piesātinājums” un redzēsim, kā tas ietekmē mūsu datu attēlojumu.
Sekojošā programma ilustrē to pašu -
mysql saraksts visiem lietotājiem
6. Parametra “piesātinājums” izmantošana
Piemērs -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') #plotting the graph sns.countplot(x='Pclass',data=df, color='green', saturation=0.1) plt.show()
Izvade:
Un visbeidzot pēdējā piemērā mēs izmantosim parametrus līnijas platums un malas krāsa.
Piemērs -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') sns.countplot(x='Sex', data=df, color='green', facecolor=(0,0,0,0), linewidth=5, edgecolor=sns.color_palette('BrBG',2)) plt.show()
Izvade: