Phenquestions
- Čo je Python Seaborn?
- Typy pozemkov, ktoré môžeme vytvoriť so Seabornom
- Práca s viacerými grafmi
- Niektoré alternatívy pre Python Seaborn
Vyzerá to, že treba veľa pokryť. Začnime teraz.
Čo je knižnica Python Seaborn?
Knižnica Seaborn je balík Python, ktorý nám umožňuje vytvárať infografiky na základe štatistických údajov. Pretože je vyrobený nad matplotlib, je s ním vo svojej podstate kompatibilný. Ďalej podporuje dátovú štruktúru NumPy a Pandas, takže vykreslenie je možné vykonať priamo z týchto zbierok.
Vizualizácia komplexných údajov je jednou z najdôležitejších vecí, o ktoré sa Seaborn stará. Ak by sme mali porovnať Matplotlib s Seabornom, Seaborn je schopný uľahčiť tie veci, ktoré je ťažké dosiahnuť pomocou Matplotlibu. Je však dôležité poznamenať, že Seaborn nie je alternatívou k Matplotlibu, ale jeho doplnkom. V tejto lekcii budeme využívať funkcie Matplotlib aj v úryvkoch kódu. Spoluprácu so spoločnosťou Seaborn si vyberiete v nasledujúcich prípadoch použitia:
- Máte štatistické údaje časových radov, ktoré sa majú vykresliť so zastúpením neistoty okolo odhadov
- Vizuálne zistiť rozdiel medzi dvoma podmnožinami údajov
- Vizualizovať jednorozmerné a dvojrozmerné rozdelenie
- Dodáva oveľa väčšiu vizuálnu náklonnosť grafom matplotlib s mnohými vstavanými témami
- Prispôsobiť a vizualizovať modely strojového učenia pomocou lineárnej regresie s nezávislými a závislými premennými
Pred začatím si treba uvedomiť, že na túto lekciu používame virtuálne prostredie, ktoré sme vytvorili pomocou nasledujúceho príkazu:
python -m virtualenv seabornzdroj seaborn / bin / aktivovať
Keď je virtuálne prostredie aktívne, môžeme nainštalovať knižnicu Seaborn vo virtuálnom prostredí, aby bolo možné vykonať príklady, ktoré vytvoríme ďalej:
pip nainštalovať seabornAnacondu môžete tiež použiť na spustenie týchto príkladov, čo je jednoduchšie. Ak si ho chcete nainštalovať na svoj počítač, pozrite si lekciu, ktorá popisuje „Ako nainštalovať Anaconda Python na Ubuntu 18.04 LTS ”a podeľte sa o svoje pripomienky. Poďme teraz k ďalším typom grafov, ktoré je možné zostaviť pomocou Python Seaborn.
Používanie dátovej sady Pokemon
Aby bola táto lekcia praktická, použijeme dataset Pokémonov, ktorý je možné stiahnuť z Kaggle. Na import tohto súboru údajov do nášho programu budeme používať knižnicu Pandas. Tu sú všetky importy, ktoré uskutočňujeme v našom programe:
importovať pandy ako pdz matplotlib import pyplot ako plt
dovážať seaborn ako sns
Teraz môžeme importovať množinu údajov do nášho programu a zobraziť niektoré zo vzorových údajov pomocou programu Pandas ako:
df = pd.read_csv ('Pokémon.csv ', index_col = 0)df.hlava ()
Upozorňujeme, že na spustenie vyššie uvedeného útržku kódu by mala byť množina súborov CSV prítomná v rovnakom adresári ako samotný program. Po spustení vyššie uvedeného fragmentu kódu sa nám zobrazí nasledujúci výstup (v notebooku Anaconda Jupyter):
Vynesenie krivky lineárnej regresie
Jednou z najlepších vecí na Seaborne sú inteligentné funkcie vykreslenia, ktoré poskytuje a ktoré nielen vizualizujú súbor údajov, ktorý mu poskytujeme, ale tiež okolo neho vytvárajú regresné modely. Napríklad je možné zostrojiť graf lineárnej regresie s jediným riadkom kódu. Postup je nasledovný:
sns.lmplot (x = 'Útok', y = 'Obrana', dáta = df)Po spustení vyššie uvedeného útržku kódu sa nám zobrazí nasledujúci výstup:
Vo vyššie uvedenom útržku kódu sme si všimli niekoľko dôležitých vecí:
- V Seaborne je k dispozícii vyhradená funkcia vykreslenia
- Použili sme Seabornovu funkciu vykreslenia a vykreslenia, ktorá nám poskytla lineárnu regresnú priamku, ktorú si sám vymodeloval
Nebojte sa, ak ste si mysleli, že bez tejto regresnej čiary nemôžeme mať zápletku. Môžeme ! Vyskúšajme teraz nový útržok kódu podobný tomu minulému:
sns.lmplot (x = 'Attack', y = 'Defense', data = df, fit_reg = False)Tentokrát neuvidíme regresnú čiaru v našom grafe:
Teraz je to oveľa jasnejšie (ak nepotrebujeme lineárnu regresnú priamku). Ale to ešte nie je všetko. Seaborn nám umožňuje odlíšiť túto zápletku a to budeme robiť.
Konštrukcia škatúľ
Jednou z najväčších funkcií v Seaborne je to, ako ľahko prijíma štruktúru Pandas Dataframes na vykreslenie údajov. Môžeme jednoducho odovzdať dátový rámec do knižnice Seaborn, aby z nej mohol zostaviť boxplot:
sns.boxplot (data = df)Po spustení vyššie uvedeného útržku kódu sa nám zobrazí nasledujúci výstup:
Prvé čítanie zo súčtu môžeme odstrániť, pretože to vyzerá trochu trápne, keď tu skutočne vykresľujeme jednotlivé stĺpce:
# Nový boxplot pomocou stats_df
sns.boxplot (data = stats_df)
Po spustení vyššie uvedeného útržku kódu sa nám zobrazí nasledujúci výstup:
Roj pozemok s Seaborn
Pomocou Seabornu môžeme vytvoriť intuitívny grafický design Swarm. Znovu použijeme dátový rámec od Pandas, ktorý sme načítali skôr, ale tentoraz budeme volať funkciu zobrazenia Matplotlib, aby sme zobrazili dej, ktorý sme vytvorili. Tu je útržok kódu:
sns.set_context ("paper")sns.swarmplot (x = "Útok", y = "Obrana", dáta = df)
plt.šou()
Po spustení vyššie uvedeného útržku kódu sa nám zobrazí nasledujúci výstup:
Použitím kontextu Seaborn umožňujeme spoločnosti Seaborn, aby pozemku dodala osobný dojem a plynulý dizajn. Tento graf je možné ešte viac upraviť pomocou vlastnej veľkosti písma použitej pre štítky v grafe, aby sa uľahčilo čítanie. Aby sme to dosiahli, odovzdáme viac parametrov funkcii set_context, ktorá funguje rovnako, ako znejú. Napríklad na úpravu veľkosti písma štítkov použijeme písmo.parameter veľkosti. Tu je útržok kódu na vykonanie úpravy:
sns.swarmplot (x = "Útok", y = "Obrana", dáta = df)
plt.šou()
Po spustení vyššie uvedeného útržku kódu sa nám zobrazí nasledujúci výstup:
Veľkosť písma pre štítok sa zmenila na základe parametrov, ktoré sme poskytli, a hodnoty priradenej k písmu.parameter veľkosti. Jedna vec, v ktorej Seaborn je odborníkom, je veľmi intuitívna zápletka pre praktické použitie, čo znamená, že Seaborn nie je iba praktický balík Pythonu, ale vlastne aj niečo, čo môžeme použiť v našich produkčných nasadeniach.
Pridanie názvu do grafov
Je ľahké pridávať tituly k našim grafom. Musíme len postupovať podľa jednoduchého postupu používania funkcií na úrovni osí, kde budeme volať set_title () funkcia, ktorú uvádzame v útržku kódu tu:
sns.set_context ("paper", font_scale = 3, rc = "font.veľkosť „: 8,“ osi.labelize ": 5)my_plot = sns.swarmplot (x = "Útok", y = "Obrana", dáta = df)
my_plot.set_title ("Pozemok roja ĽH")
plt.šou()
Po spustení vyššie uvedeného útržku kódu sa nám zobrazí nasledujúci výstup:
Týmto spôsobom môžeme k našim pozemkom pridať oveľa viac informácií.
Seaborn vs Matplotlib
Keď sme sa pozreli na príklady v tejto lekcii, môžeme zistiť, že Matplotlib a Seaborn nie je možné priamo porovnávať, ale je možné ich považovať za vzájomne sa doplňujúce. Jednou z funkcií, ktorá posúva Seaborn o krok vpred, je spôsob, akým môže Seaborn štatisticky vizualizovať údaje.
Aby ste parametre Seaborn využili čo najlepšie, dôrazne odporúčame pozrieť si dokumentáciu Seaborn a zistiť, aké parametre máte použiť, aby bol váš pozemok čo najbližšie obchodným potrebám.
Záver
V tejto lekcii sme sa pozreli na rôzne aspekty tejto knižnice vizualizácie údajov, ktorú môžeme pomocou programu Python použiť na generovanie krásnych a intuitívnych grafov, ktoré dokážu vizualizovať údaje vo forme, ktorú chce podnik, z platformy. Seaborm je jednou z najdôležitejších vizualizačných knižníc, pokiaľ ide o dátové inžinierstvo a prezentáciu údajov vo väčšine vizuálnych foriem, čo je určite zručnosť, ktorú musíme mať pod opaskom, pretože nám umožňuje vytvárať lineárne regresné modely.
Podeľte sa o svoju spätnú väzbu k lekcii na Twitteri s @sbmaggarwal a @LinuxHint.
