Питхон је складиште бројних неизмерно моћних библиотека и оквира. Међу њима је и Сеаборн, која је доминантна визуелизација података библиотеке, пружајући још један разлог да програмери доврше . У овом водичу за Питхон Сеаборн, ослањаћете се на све способности визуализације података користећи Сеаборн.
Пре него што кренемо даље, погледајмо све теме о којима се говори у овом чланку:
- Зашто користити Сеаборн?
- Како инсталирати Сеаборн?
- Инсталирање Питхон Сеаборн зависности
- Функције цртања Сеаборн-а
- Мреже са више парцела
- Заплет-естетика
Почнимо прво са образложењем важности Питхон Сеаборна.
Зашто користити Питхон Сеаборн?
Као што је раније поменуто, Питхон Сеаборн библиотека се користи за олакшавање изазовног задатка визуелизације података и заснива се на њој . Сеаборн омогућава стварање статистичке графике кроз следеће функционалности:
АПИ који се заснива на скуповима података који омогућавају поређење између вишеструких Променљиве
Подржава мреже са више парцела које заузврат олакшавају изградњу сложених визуализација
Доступне униваријантне и биваријантне визуелизације за упоређивање између подскупова података
Доступност различитих палета боја за откривање различитих врста узорака
Процене и парцеле аутоматски
Дакле, ако сте се питали зашто користити Сеаборн када већ имате Матплотлиб, ево одговора на то.
Питхон Сеаборн вс Матплотлиб:
„Ако Матплотлиб„ покушава да олакша лагане и тешке ствари “, Сеаборн покушава да учини и добро дефинисан скуп тешких ствари лаким“ - Мицхаел Васком (творац Сеаборна).
У ствари, Матплотлиб је добар, али Сеаборн је бољи. У основи постоје два недостатка Матплотлиба које Сеаборн отклања:
Матплотлиб се може персонализовати, али је тешко схватити која подешавања су потребна да би се парцеле учиниле атрактивнијим. С друге стране, Сеаборн долази са бројним прилагођеним темама и интерфејсима на високом нивоу за решавање овог проблема.
При раду са Панде , Матплотлиб не служи добро када је реч о раду са ДатаФрамес-има, док Сеаборн функције заправо раде на ДатаФрамес-у.
Како инсталирати Сеаборн?
питхон шта је __инит__
Да бисте инсталирали библиотеку Питхон Сеаборн, можете да користите следеће наредбе засноване на платформи коју користите:
пип инсталирати сеаборн
или
цонда инсталл сеаборн
Једном када је ово инсталирано, само побрините се да инсталирате пакете и библиотеке о којима Сеаборн зависи.
Инсталирање Питхон Сеаборн зависности:
Обавезне зависности за морске рођене су:
Постоји и једна препоручена зависност која је:
- државни модели
Да бисте инсталирали ове библиотеке, можете користити исте наредбе као што је претходно приказано за Сеаборн са њиховим одговарајућим именима. Једном инсталирани, они се лако могу увести. Сеаборн вам омогућава да учитате било који скуп података из помоћу лоад_датасет () функцију. Такође можете погледати све доступне скупове података помоћу функције гет_датасет_намес () на следећи начин:
ПРИМЕР:
импорт сеаборн као снс снс.гет_датасет_намес ()
Ово ће вратити листу свих доступних скупова података.
Сад кад сте поставили своје окружење за рад са морским морима, идемо даље да видимо како да користимо његове функције цртања у .
Функције цртања Сеаборн-а
Визуелизација статистичких односа:
Процес разумевања односа између променљивих скупа података и како те везе, пак, зависе од других променљивих, познат је под називом статистичка анализа. Погледајмо сада дубље функције потребне за ово:
релплот ():
Ово је функција на нивоу фигуре која користи две друге функције осе за визуализацију статистичких односа, а то су:
- дијаграм расејања()
- линеплот ()
Ове функције се могу навести помоћу параметра „кинд“ функције релплот (). У случају да је дат овај параметар, потребан је задати параметар сцаттерплот (). Пре него што започнете са писањем кода, увезите потребне библиотеке на следећи начин:
импорт нумпи ас нп импорт пандас ас пд импорт матплотлиб.пиплот ас плт импорт сеаборн ас снс снс.сет (стиле = 'даркгрид')
Имајте на уму да је атрибут стила такође прилагодљив и може попримити било коју вредност као што су тамна мрежа, крпељи итд. О чему ћу говорити касније у одељку о естетици заплета. Погледајмо сада један мали пример:
ПРИМЕР:
ф = снс.лоад_датасет ('летови') снс.релплот (к = 'путници', и = 'месец', подаци = ф)ИЗЛАЗ:
Као што видите, тачке су уцртане у 2-димензије. Међутим, можете додати још једну димензију користећи семантику „нијанса“. Погледајмо пример истих:
ПРИМЕР:
ф = снс.лоад_датасет ('летови') снс.релплот (к = 'путници', и = 'месец', хуе = 'година', подаци = ф)Видећете следећи излаз:
ИЗЛАЗ:
Међутим, постоји још много прилагођавања која можете испробати, попут боја, стилова, величине итд. Дозволите ми да покажем како можете да промените боју у следећем примеру:
ПРИМЕР:
снс.сет (стиле = 'даркгрид') ф = снс.лоад_датасет ('летови') снс.релплот (к = 'путници', и = 'месец', хуе = 'година', палета = 'цх: р = - .5, л = .75 ', подаци = ф)ИЗЛАЗ:
линеплот ():
Ова функција ће вам омогућити да нацртате непрекидну линију за своје податке. Ову функцију можете користити тако што ћете променити параметар „кинд“ на следећи начин:
ПРИМЕР:
а = пд.ДатаФраме ({'Дан': [1,2,3,4,5,6,7], 'Намирнице': [30,80,45,23,51,46,76], 'Одећа' : [13,40,34,23,54,67,98], 'Прибор': [12,32,27,56,87,54,34]}, индекс = [1,2,3,4,5 , 6,7]) г = снс.релплот (к = 'Дан', и = 'Одећа', врста = 'линија', подаци = а) г.фиг.аутофмт_кдате () ИЗЛАЗ:
Подразумевано за линијски приказ је и у функцији к. Међутим, може се променити ако то желите. Постоји још много опција које можете да испробате даље.
Сада ћемо погледати како да зацртамо категоричке податке.
Зацртавање са категоричким подацима:
Овај приступ долази до слике када се наша главна променљива даље дели на дискретне групе (категоричке). То се може постићи помоћу функције цатплот ().
цатплот ():
Ово је функција на нивоу фигуре попут релплот (). Може се окарактерисати из три породице функција нивоа оса и то:
Сцаттерплотс - Ово укључује стрипплот (), свармплот ()
Парцеле дистрибуције - које су бокплот (), виолинплот (), бокенплот ()
Процјена парцела - наиме поинтплот (), барплот (), цоунтплот ()
Узмимо сада неколико примера да то покажемо:
ПРИМЕР:
импорт сеаборн ас снс импорт матплотлиб.пиплот ас плт снс.сет (стиле = 'тицкс', цолор_цодес = Труе) а = снс.лоад_датасет ('типс') снс.цатплот (к = 'даи', и = 'тотал_билл', подаци = а)ИЗЛАЗ:
Као што видите, у горњем примеру нисам подесио параметар „кинд“. Стога је вратио граф као задати дијаграм распршења. Можете одредити било коју функцију нивоа оси да бисте променили графикон по потреби. Узмимо пример и за ово:
ПРИМЕР:
импорт сеаборн ас снс импорт матплотлиб.пиплот ас плт снс.сет (стиле = 'тицкс', цолор_цодес = Труе) а = снс.лоад_датасет ('типс') снс.цатплот (к = 'даи', и = 'тотал_билл', врста = 'виолина', подаци = а) ИЗЛАЗ:
Горњи излаз приказује плочу виолине за скуп података савета. Покушајмо сада да пронађемо како да визуализујемо дистрибуцију скупа података.
Визуелизација дистрибуције скупа података:
Ово се у основи бави разумевањем скупова података са контекстом да ли је једноваријантно или двоваријантно. Пре него што започнете са овим, само увезите следеће:
импорт нумпи ас нп импорт пандас ас пд импорт сеаборн ас снс импорт матплотлиб.пиплот ас плт фром сципи импорт статс снс.сет (цолор_цодес = Труе)
Једном када се то уради, можете наставити са цртањем униваријантне и биваријантне дистрибуције.
Уцртавање дистрибуција Унивариате:
Да бисте их исцртали, можете користити функцију дистплот () на следећи начин:
ПРИМЕР:
а = нп.рандом.нормал (лоц = 5, величина = 100, размера = 2) снс.дистплот (а)
ИЗЛАЗ:
Као што видите у горњем примеру, направили смо графикон за променљиву а чије вредности генерише функција нормал () помоћу дистплот-а.
Уцртавање биваријантних расподела:
Ово се појављује када имате две случајне независне променљиве које резултирају неким вероватним догађајем. Најбоља функција за исцртавање ове врсте графикона је јоинтплот (). Нацртајмо сада биваријантни графикон користећи јоинтплот ().
ПРИМЕР:
к = пд.ДатаФраме ({'Дан': [1,2,3,4,5,6,7], 'Намирнице': [30,80,45,23,51,46,76], 'Одећа' : [13,40,34,23,54,67,98], 'Прибор': [12,32,27,56,87,54,34]}, индекс = [1,2,3,4,5 , 6,7]) и = пд.ДатаФраме ({'Дан': [8,9,10,11,12,13,14], 'Намирнице': [30,80,45,23,51,46, 76], „Одећа“: [13,40,34,23,54,67,98], „Прибор“: [12,32,27,56,87,54,34]}, индекс = [8,9 , 10,11,12,13,14]) значи, цов = [0, 1], [(1, .5), (.5, 1)] дата = нп.рандом.мултивариате_нормал (меан, цов, 200 ) са снс.акес_стиле ('бело'): снс.јоинтплот (к = к, и = и, кинд = 'кде', цолор = 'б') ИЗЛАЗ:
Сад кад сте разумели разне функције Питхон Сеаборна, пређимо на изградњу структурисаних мрежа са више парцела.
Мреже са више парцела:
Питхон Сеаборн вам омогућава да графички прикажете више мрежа упоредо. То су у основи графикони или графикони који се цртају користећи исту скалу и осе како би се олакшало поређење између њих. То заузврат помаже програмеру да брзо разликује парцеле и прибави велике количине информација.
Размотрите следећи пример функције фацетгрид () да бисте исцртали ове графиконе.
ПРИМЕР:
снс.сет (стиле = 'даркгрид') а = снс.лоад_датасет ('ирис') б = снс.ФацетГрид (а, цол = 'специес') б.мап (плт.хист, 'сепал_ленгтх')ИЗЛАЗ:
Горњи излаз јасно показује поређење савета који се дају током ручка и вечере. Такође можете да цртате помоћу функције ПаирГрид када имате пар променљивих за упоређивање. Размотрите следећи пример.
ПРИМЕР:
снс.сет (стиле = 'крпељи') а = снс.лоад_датасет ('летови') б = снс.ПаирГрид (а) б.мап (плт.сцаттер) ИЗЛАЗ:
Као што видите, горњи резултат јасно упоређује годину и број путника на различите начине.
Сеаборн такође омогућава прилагођавање у погледу естетике о чему ће се даље разговарати.
Естетика плота:
Овај сегмент туторијала за Питхон Сеаборн бави се израдом наших парцела атрактивнијим и лепшим.
Питхон Сеаборн Фигуре-Естетика:
Постављена је прва функција о којој ћу разговарати (). И раније сам користио параметар ‘стиле’ ове функције. Овај параметар се у основи бави морским темама. Тренутно их је доступно пет, наиме тамна мрежа, крпељи, бела мрежа, бела и тамна.
Размотрите следећи пример који демонстрира белу тему.
ПРИМЕР:
импорт сеаборн ас снс импорт матплотлиб.пиплот ас плт снс.сет (стиле = 'вхите', цолор_цодес = Труе) а = снс.лоад_датасет ('типс') снс.бокплот (к = 'даи', и = 'тотал_билл', подаци = а)ИЗЛАЗ:
У горњем излазу можете приметити да је тема промењена у белу. Можете их даље истраживати користећи и друге теме. Ако сте приметили у претходном излазу, свуда око графикона постоје осе. Међутим, ово је такође прилагодљиво помоћу функције деспине (). Погледајте пример испод.
ПРИМЕР:
импорт сеаборн ас снс импорт матплотлиб.пиплот ас плт снс.сет (стиле = 'вхите', цолор_цодес = Труе) а = снс.лоад_датасет ('типс') снс.бокплот (к = 'даи', и = 'тотал_билл', подаци = а) снс.деспине (офсет = 10, трим = Труе) ИЗЛАЗ:
Обратите пажњу на разлику између претходна два излаза. Међутим, постоји много више опција које можете сами истражити.
Палете боја Питхон Сеаборн:
Боја је у основи карактеристика која се приближава људским очима изван било које друге карактеристике. Сеаборн вам омогућава да се играте бојама користећи разне функције као што су цолор_палетте (), хлс_палетте (), хусл_палетте () итд. Погледајте боје које су тренутно присутне у сеаборн-у.
ПРИМЕР:
импорт нумпи ас нп импорт сеаборн ас снс импорт матплотлиб.пиплот ас плт снс.сет () пресентцолорс = снс.цолор_палетте () снс.палплот (пресентцолорс)
ИЗЛАЗ:
Горња слика приказује боје присутне у морском мору. Урадио сам то помоћу функције палплот (). За дубље варијације можете користити хлс_палетте (), хусл_палетте () итд.
Ово нас доводи до краја водича за Питхон Сеаборн. Надам се да сте све јасно разумели. Обавезно вежбајте што је више могуће .
Имате питање за нас? Молимо вас да га спомињете у одељку за коментаре овог блога „Водич за Питхон Сеаборн“ и јавићемо вам се што је пре могуће.
Да бисте стекли детаљно знање о Питхону, заједно са разним апликацијама, можете се пријавити за уживо са 24/7 подршком и доживотним приступом.