Plusieurs parcelles

Dans ce tutoriel sur les indices Linux, nous allons passer par la façon de dessiner plusieurs parcelles dans le cadre de Seaborn. Il s'agit d'une approche viable pour créer de nombreuses versions du graphique identique à l'aide de divers ensembles de données. Il permet à un utilisateur de récupérer une grande quantité de données à partir d'un ensemble compliqué dans un court laps de temps. Nous utiliserons la méthode FacetGrid () dans SeaBorn pour dessiner plusieurs représentations graphiques dans une seule interface. FacetGrid est une méthode de création de matrices dépendante d'une méthode. Il aide à la représentation à la fois de la dispersion d'un facteur spécifique et de la corrélation entre divers paramètres. Son objet prend comme argument un ensemble de données et les valeurs des paramètres pour déterminer les aspects, la ligne et la colonne de la teinte de la grille.

Exemple 1

Nous utiliserons les données, qui sont fournies comme une trame de données intégrée dans le package SeaBorn, pour configurer les tracés et les dimensions, mais cela n'afficherait rien d'autre sur ces parcelles. La fonctionnalité de base est pratiquement identique à celle de FacetGrid. Nous créons d'abord la grille et fournissons la fonctionnalité de création d'une méthode d'affichage, qui est exécutée pour chaque intrigue. Le code est joint ici, et il a été implémenté dans Windows CMD en installant Python et des bibliothèques connexes.

Importer Seaborn comme SNS
Importer Numpy comme NP
Importer des pandas en tant que PD
Importer Matplotlib.pypllot comme plt
Conseils = SNS.load_dataset ("conseils")
G = SNS.FacetGrid (conseils, col = "time")
PLT.montrer()

Au début du code, nous avons importé certaines bibliothèques requises Seaborn sous le nom de SNS, Numpy comme NP, Pandas comme PD et Matplotlib.pypllot comme plt. Maintenant, nous voulons récupérer la trame de données, nous avons donc utilisé la méthode Load_Dataset (). Et nous avons donné des conseils comme argument pour cette fonction. Pour représenter des parcelles multiples simples, nous avons appelé la méthode FACEGRID (). Nous avons fourni des conseils et COL à cette fonction comme ses paramètres. En fin de compte, nous avons dû afficher l'intrigue, nous avons donc utilisé la méthode show ().

Facette de mer

Exemple 2

Dans cette situation, nous dessinerons le tracé de dispersion en utilisant la méthode Satterplot (). Nous pouvons utiliser le module FacetGrid () pour créer de nombreux graphiques. Il affiche tous les champs d'un ensemble de données à l'ensemble des nombres de la matrice, montrant différentes dimensions. Pour les attributs ordinaux, nous pouvons utiliser l'attribut Hue, chaque ton indiquant une catégorie distincte. Le code est joint ici, et il a été implémenté dans Windows CMD en installant Python et des bibliothèques connexes.

Importer Seaborn comme SNS
Importer Numpy comme NP
Importer des pandas en tant que PD
Importer Matplotlib.pypllot comme plt
Conseils = SNS.load_dataset ("conseils")
G = SNS.FacetGrid (Tips, Col = "Sex", Hue = "Smoker")
g.Carte (SNS.Satterplot, "total_bill", "tip", alpha =.8)
g.add_legend ()
PLT.montrer()

Après avoir introduit les fichiers d'en-tête Seaborn, Numpy, Pandas et Matplotlib.pypllot. Nous allons charger le cadre de données des conseils. Ainsi, la fonction LOAD_DATASET () sera utilisée. Cette fonction est liée au paquet Seaborn. Et nous avons donné des «conseils» comme un attribut à cette fonction.

Maintenant, nous voulons dessiner plusieurs graphiques, nous avons donc appliqué la méthode FacetGrid () du module SeaBorn. Cette fonction contient différents paramètres. Les pointes, les valeurs du col et la teinte sont données comme des attributs. Nous voulons dessiner le graphique de dispersion, donc à l'étape suivante, nous appelons la fonction Satterplot (). Parallèlement à cela, nous spécifions également la valeur de l'alpha comme argument de la fonction de dispersion ().

Pour insérer la légende sur le graphique, nous avons exécuté la méthode add_legend (). En fin de compte, nous avons utilisé la méthode Show () pour représenter simplement l'intrigue finalisée à l'écran.

Facetgrid avec teinte

Exemple 3

Nous dessinerons plusieurs graphiques KDE dans ce cas avec l'aide de la méthode Kdeplot (). Les valeurs de l'ensemble de données sont utilisées pour déterminer la disposition standard des éléments. La séquence des catégories est déployée si le paramètre appliqué pour créer des aspects possède un type catégorisé.

Alternativement, les aspects s'afficheraient de la manière dans laquelle les niveaux d'attribut existent. Bien que l'argument correspondant * _order puisse être utilisé pour fournir l'indexation de tout composant d'aspect. Le code est joint ici, et il a été implémenté dans Windows CMD en installant Python et des bibliothèques connexes.

Importer Seaborn comme SNS
Importer Numpy comme NP
Importer des pandas en tant que PD
Importer Matplotlib.pypllot comme plt
Conseils = SNS.load_dataset ("conseils")
ordonné_days = conseils.jour.Value_Counts ().indice
G = SNS.FacetGrid (Tips, Row = "Day", Row_Order = Ordred_Days,
hauteur = 1.8, aspect = 5)
g.Carte (SNS.kdeplot, "total_bill")
PLT.montrer()

Tout d'abord, nous intégrons les fichiers d'en-tête Seaborn sous le nom de SNS, Numpy comme NP, Pandas comme PD et Matplotlib.pypllot. Dans l'étape suivante, nous accéderons à un cadre de données TIPS. En conséquence, la méthode LOAD_DATASET () du cadre SeaBorn serait appelé. Et nous avons alloué cette méthode les «conseils» paramètre «TIPS». Nous utilisons la méthode FacetGrid () et créant de nombreux graphiques. Le module Seaborn contient cette fonction.

Comme les attributs, les conseils, la ligne, la row_order, la hauteur et l'aspect sont spécifiés. Les rangées de l'intrigue montrent les jours. La valeur de la hauteur sera 1.8, et l'aspect sera 5. Pour illustrer l'intrigue KDE, nous avons appelé la fonction Kdeplot () du package Seaborn. Après cela, nous avons appliqué la fonction show () pour simplement représenter le graphique.

Exemple 4

Nous allons dessiner plusieurs parcelles en appelant la fonction FACETGRID (). Dans ce scénario, nous voulons représenter le tracé de régression, nous utiliserons donc la fonction Regplot (). Le constructeur accepte plusieurs paramètres pour personnaliser la disposition de la grille. Le code est joint ici, et il a été implémenté dans Windows CMD en installant Python et des bibliothèques connexes.

Importer Seaborn comme SNS
Importer Numpy comme NP
Importer des pandas en tant que PD
Importer Matplotlib.pypllot comme plt
Conseils = SNS.load_dataset ("conseils")
G = SNS.FacetGrid (TIPS, row = "fuker", col = "time", margin_titles = true)
g.Carte (SNS.regplot, "size", "total_bill", color = ".4 ", fit_reg = false, x_jitter =.2)
PLT.montrer()

Ici, nous allons incorporer les bibliothèques requises Seaborn, Numpy, Pandas, Matplotlib.pypllot. Nous devons maintenant obtenir la trame de données, nous devons donc utiliser la méthode Load_dataset () du fichier d'en-tête Seaborn. La méthode FacetGrid () est utilisée pour représenter de nombreuses cartes afin que nous invoquerons cette fonction. Nous spécifions la valeur du nouvel attribut «margin_titles» comme vrai.

Ensuite, nous voulons dessiner les graphiques de régression, nous avons donc appelé la méthode Regplot (). Cette fonction contient les paramètres, notamment la taille, Total_bill, Color, Fit_reg et X_Jitter. Les jours commandés afficheront l'index de Value_Count (). La fonction show () du paquet Seaborn sera appliquée pour illustrer l'intrigue.

Conclusion

Dans cet article, nous avons exploré comment dessiner les tracés multiples à l'aide de la fonction facetgrid () du package Seaborn à Python. En utilisant leurs fonctions respectives, différentes variétés de tracés multiples peuvent être dessinés. Lorsque nous avons l'intention d'illustrer la dispersion d'un paramètre ou de l'association dans de nombreux facteurs manuellement à travers les sous-ensembles des données d'origine, le module FacetGrid est très pratique.