Plot de bar groupé Seaborn

«Seaborn est basé sur Matplotlib, le package de visualisation de Python. Il permet aux programmeurs de créer une visualisation graphique à l'aide du langage de tracé de Python, et il offre également un outil pour charger les données en R ou Matplotlib. Vous pouvez également utiliser les données pour savoir comment les données sont utilisées, comprendre l'activité de votre projet d'analyse ou obtenir une compréhension approfondie des différentes manières. Vous pouvez commencer par utiliser des pandas pour explorer les données."

Quel est le complot de bar groupé Seaborn

Le tracé de barre groupé est une forme d'un graphique qui visualise les valeurs de nombreuses variables en même temps en regroupant les barreaux. Cet article vous montre comment concevoir l'intrigue de barre groupée vue ci-dessous dans Python en utilisant le package de visualisation SeaBorn. Avant tout cela, il faut comprendre les concepts suivants:

Lorsque nous avons deux paramètres, dont l'un est le nombre et l'autre catégorielle, les graphiques à barres sont idéaux. La corrélation entre eux peut être révélée à l'aide d'un barreau. Un tracé de barre est une technique de visualisation dans laquelle un groupe est représenté par des barres verticales rectangulaires sur l'axe des x et leurs actions sur l'axe y. Dans la plupart des cas, l'axe x représente l'agrégation de la variable de catégorie à tracer, tandis que l'axe y représente la valeur numérique agrégée. Nous pouvons voir l'axe Y tracé avec la moyenne des caractéristiques de catégorie distinctes. Un tracé de barre représente une estimation de la tendance centrale de la variable numérique avec de nombreuses variables dépendantes.

Lorsqu'il s'agit de plusieurs variables de catégorie, un bar à barreau groupé est utile. Les parcelles de bar groupées sont simples à créer avec le paquet de cartographie SeaBorn de Python.

La méthode DataFrame GroupBy () dans Pandas est utilisée pour diviser les éléments en clusters composés d'un ensemble de critères. Les pandas peuvent être divisés le long de n'importe quel axe. Le concept abstrait de regroupement est l'attribution des étiquettes aux groupes. La fonction Pandas Groupby est utilisée pour regrouper les données en catégories et effectuer cette fonction sur chaque catégorie.

Exemple 1

Ici, nous avons la simple implémentation d'un complot de barre groupé. Initialement, nous avons un Matplotlib en tant que PLT et Module SeaBorn comme SNS est ajouté à l'intérieur du fichier de script Python. Ensuite, nous avons choisi un exemple de jeu de données «Conseils» dans les ensembles de données intégrés Python. Nous avons chargé cet ensemble de données à l'intérieur de la fonction Seaborn qui représente SNS.load_dataset (). Utilisation des colonnes à partir de l'ensemble de données chargé «Tip» dans la fonction GroupBy, qui a regroupé la taille et le sexe à deux colonnes à partir de l'ensemble d'échantillons de TIPS.

Avec la fonction groupby, nous avons appelé la fonction d'agrégation. La fonction d'agrégation est appliquée à la colonne «Total_bill.”La fonction d'agrégation effectue l'opération moyenne sur la colonne définie. Ensuite, la méthode Barplot est appelée ici, qui prend les paramètres catégoriques x et y pour les axes de tracé. Nous avons des valeurs catégorielles de tracé dans différentes teintes en utilisant l'option de teinte comme sexe.

Importer Matplotlib.pypllot comme plt
Importer Seaborn comme SNS
DF = SNS.load_dataset («conseils»)
df = df.Groupby (['Size', 'Sex']).AGG (Mean_Total_Bill = ("Total_bill", 'Mean'))
df = df.reset_index ()
sns.Barplot (x = "taille",
y = "Mean_total_bill",
Hue = "Sex",
data = df)
PLT.montrer()

Ce qui suit est la visualisation groupée Barplot.

Exemple 2

Nous avons changé les champs de colonne juste pour vous montrer la visualisation des tracés de barre groupés avec les différents cas. Nous avons utilisé les mêmes conseils d'ensemble de données pour le tracé de la barre groupé et l'avons ajouté à la fonction SeaBorn Load_dataset.

Ensuite, dans la fonction Groupby, nous avons passé la taille et le temps des deux colonnes cette fois et agrégé la moyenne de la colonne Total_bill. Après cela, nous avons réglé les paramètres x, y et teinte pour le bar. Le paramètre X est pour l'axe x, qui est défini avec la colonne de taille, et l'axe y est défini avec la colonne «moyenne» sur laquelle l'agrégation est appliquée. Le paramètre Hue est défini avec la propriété Time ici à partir de l'ensemble de données TIPS.

Importer Matplotlib.pypllot comme plt
Importer Seaborn comme SNS
DF = SNS.load_dataset («conseils»)
df = df.groupby (['Size', 'Time']).agg (moyen = ("Total_bill", 'Mean'))
df = df.reset_index ()
sns.Barplot (x = "taille",
y = "Mean",
hue = "time",
data = df)
PLT.montrer()

Le deuxième tracé de barre groupé est également rendu avec succès avec la fonction d'agrégation dans la figure suivante.

Exemple 3

Celui-ci est le troisième exemple illustration du tracé de barre groupé mais avec un échantillon de données différent. Nous avons pris un exemple de jeu de données de Python, qui est représenté comme «Anagrams."Nous construisons le tracé de la barre groupé des colonnes de données anagrammes.

Premièrement, nous l'avons chargé à l'intérieur de la fonction variable Load_dataset du package SeaBorn, qui est stocké dans la variable DF. Ensuite, dans la fonction GroupBy, les colonnes NUM1 et ATTNR sont passées pour être regroupées, et la fonction d'agrégation a la colonne d'entrée num2, qui renvoie la moyenne de la colonne num2. Le bar de bar est invoqué ici, auquel le champ Num1 et ATTNR sont définis pour les entrées X et Y. La propriété Hue est définie avec la colonne ATTNR.

Importer Matplotlib.pypllot comme plt
Importer Seaborn comme SNS
DF = SNS.load_dataset ('anagrams')
df = df.groupby (['num1', 'attnr']).AGG (Mean_Num2 = ("num2", 'Mean'))
df = df.reset_index ()
sns.Barplot (x = "num1",
y = "Mean_num2",
Hue = "Attnr",
data = df)
PLT.montrer()

Exemple 4

Nous utilisons les paramètres supplémentaires pour le tracé de la barre groupé. Pour cela, nous avons pris l'ensemble de données d'échantillon Titanic pour générer le tracé de la barre groupé. Nous avons défini le contexte de l'intrigue en y passant l'entrée du papier. Il est utilisé pour ajuster la taille et les étiquettes du tracé. Ensuite, nous avons défini un titanic variable auquel l'ensemble de données Titanic est chargé.

Le Barplot est appelé à l'intérieur, et nous avons réglé les paramètres X et Y avec l'option Hue, qui a les valeurs de la colonne WHO. L'option de palette est également utilisée pour définir les couleurs du tracé. Nous avons une palette de magma ici pour l'intrigue de barreaux groupés. L'option de chavire, de saturation, d'erreur, d'erreur et de CI est également définie pour le Barplot groupé.

Importer Numpy comme NP
Importer des pandas en tant que PD
Importer Matplotlib.pypllot comme plt
Importer Seaborn comme SNS
sns.set_context ('papier')
Titanic = SNS.load_dataset ('titanic')
sns.barplot (x = 'class', y = 'a survécu', hue = 'who', data = titanic,
palette = 'magma',
chapere = 0.05,
saturation = 8.5,
errcolor = 'gris', errwidth = 2,
ci = 'sd'
)
PLT.montrer()

Ici, la visualisation du tracé de barre groupé est regroupée par toute la colonne qui a survécu dans le navire.

Conclusion

C'est l'aperçu général de l'article de l'intrigue groupée de SeaBorn. Nous avons traversé de nombreux exemples pour comploter une intrigue de bar groupée avec SeaBorn et Python dans ce tutoriel. Nous avons commencé avec des graphiques simples en utilisant les différentes cadres de données pour les parcelles de barre groupées et en les personnalisant davantage avec les options supplémentaires.