Département de mer
Le tracé de Swarm est identique au tracé de la bande, sauf que les bords sont modifiés de telle manière qu'ils ne se croisent pas, ce qui aide à illustrer efficacement la visualisation des données. Un graphique d'essaim est créé seul. Mais il est préféré l'utiliser en conjonction avec une boîte car les titres correspondants sont utilisés pour étiqueter les dimensions. Dessinez les cartes d'essaim à l'aide de la fonction Swarmplot ().
Exemple non.1:
Ici, nous créons un tracé de probabilité catégorisé avec des points qui ne chevauchent pas. Nous utilisons donc la méthode SwarmPlot () pour créer un tracé contenant les valeurs discrètes.
| 1 2 3 4 5 6 7 8 9 dix 11 12 13 14 15 16 17 18 | Importer des pandas en tant que PD Importer Matplotlib.pypllot comme plt Importer Seaborn comme SNS df = pd.DataFrame ("Quantité": [15,26,17,18,15,36,27,18,25,16,17,28,15,16,17,28], "Prix": [1900,1000,1500,1600,1300,1400,1500,1800,1100,1200,1400,1500,1600,1700,1800,1900], "Mois": [2,3,2,3,2,3,2,3,4,4,4,5,5,5,4,3], «Marchandise»: [«x», «x», «x», «x», «z», «z», «z», «z», 'Y', 'y', 'y', 'y', 'x', 'x', 'z', 'z']) sns.département (data = df, y = "prix", x = "quantité") PLT.montrer() |
Au début du code, nous intégrons les pandas pandas en tant que PD, Matplotlib.pypllot comme plt et marin comme sns. Ensuite, nous spécifions l'ensemble des données à l'aide de la méthode DataFrame (). Cette fonction est associée au module Pandas. Nous créons quatre tableaux différents. Le premier tableau contient la quantité de produits qui ont été épuisés. Le deuxième tableau montre les taux des produits. Le troisième tableau détient le record des mois. Le dernier tableau a des données sur les noms de produits.
Dans l'étape suivante, nous voulons dessiner le graphique de l'essaim, nous appelons donc la fonction SwarmPlot (). En fin de compte, nous utilisons la fonction show () du matplotlib.bibliothèque pypllot.
Exemple non.2:
Nous utilisons l'argument Hue dans la méthode SwarmPlot () et divisons les segments pour les multiples produits dans ce cas. En spécifiant la valeur du paramètre «Dodge» à vrai, nous séparons les éléments. Nous pourrions également transmettre quelques paramètres supplémentaires en utilisant la méthode SwarmPlot (). Le paramètre de taille est utilisé pour ajuster la «taille» des éléments.
Avec l'aide de l'attribut «palette», nous modifions le jeu de couleurs pour les groupes distincts. L'option «Linewidth» fournit une limite à la largeur définie des points. Appliquons tous les paramètres précédemment dans le code.
| 1 2 3 4 5 6 7 8 9 dix 11 12 13 14 15 16 17 18 19 | Importer des pandas en tant que PD Importer Matplotlib.pypllot comme plt Importer Seaborn comme SNS df = pd.DataFrame ("Quantité": [15,26,17,18,15,36,27,18,25,16,17,28,15,16,17,28], "Prix": [1900,1000,1500,1600,1300,1400,1500,1800,1100,1200,1400,1500,1600,1700,1800,1900], "Mois": [2,3,2,3,2,3,2,3,4,4,4,5,5,5,4,3], «Product»: [«x», «x», «x», «x», «z», «z», «z», «z», 'Y', 'y', 'y', 'y', 'x', 'x', 'z', 'z']) sns.département (data = df, y = "prix", x = "quantité", Hue = 'Product', Dodge = true, Linewidth = 3.5, palette = 'set2', taille = 14) PLT.montrer() |
Tout d'abord, nous intégrons les fichiers d'en-tête requis. La bibliothèque Pandas est intégrée en tant que PD, Matplotlib.Pyplot est intégré en tant que PLT, et SeaBorn est intégré sous forme de SNS. La fonction DataFrame () est utilisée pour fournir l'ensemble de données. Le package Pandas est lié à cette méthode. Nous faisons quatre tableaux uniques. Le nombre d'articles à guichets fermés est représenté dans le premier tableau. Le prix des produits est affiché dans le deuxième tableau. Les données des mois sont conservées dans le troisième tableau. Les titres de la marchandise sont stockés dans le dernier tableau.
Maintenant, la figure d'essaim est dessinée, nous utilisons donc la méthode des essaignants (). L'ensemble de données, les étiquettes de l'axe X et Y, la teinte, l'odge, la largeur de ligne, la palette et la taille sont tous des arguments pour cette méthode. La valeur de la «teinte» est le produit. La «Linewidth» est 3.5. La «palette» est définie2. Et la «taille» est 14. Nous terminons le code en illustrant le tracé résultant, nous appliquons donc la méthode show ().
Exemple non.3:
Chaque dimension du paramètre «Hue» est représentée par une zone désignée sur le plan de catégorie statistique. Nous configurons le «Dodge» à True tout en utilisant le paramètre «Hue» et il isole les éléments pour plusieurs variations de teintes. Le paramètre «palette» est utilisé pour représenter les différentes nuances de l'attribut Hue.
| 1 2 3 4 5 6 7 8 9 dix 11 12 | importer marin Importer Matplotlib.pypllot comme plt marin.set (style = "whitegrid") Conseils = Seaborn.load_dataset ("conseils") marin.SwarmPlot (x = "day", y = "total_bill", hue = "fumeur", data = tips, palette = "set2", dodge = true) PLT.montrer() |
Après avoir inclus les Seaborn et Matplotlib.bibliothèques pyplot, nous appelons la fonction set () du package SeaBorn. Nous passons le style en tant que paramètre à cette fonction. Nous donnons la valeur «Whitegrid» au paramètre de style. Il montre la couleur de fond du graphique.
Maintenant, nous obtenons la trame de données intégrée, nous utilisons donc la fonction LOAD_DATASET (). Cette fonction est tirée du fichier d'en-tête Seaborn et il contient les «conseils» comme argument. Ensuite, nous utilisons la méthode SwarmPlot () pour créer le tableau des essaims. Ici, nous spécifions le titre des deux axes, la valeur de la teinte, des données, de la palette et de l'odge comme paramètres de la fonction. L'axe X affiche l'enregistrement des jours tandis que l'axe y montre l'enregistrement du total_bill. Pour représenter le graphique final, nous appelons la méthode show (). Le matplotlib.Le module Pyplot contient cette fonctionnalité.
Exemple non.4:
Avec l'aide de l'attribut «Marker» ainsi que de l'argument «Alpha», nous dessinons les points massifs et divers styles. Nous utilisons l'attribut «alpha» pour contrôler la visibilité de la valeur des données. Et appliquer l'argument «marqueur» pour l'indicateur pour modifier l'ensemble des données.
| 1 2 3 4 5 6 7 8 9 dix 11 12 13 14 15 16 17 18 19 | importer marin Importer Matplotlib.pypllot comme plt marin.set (style = "whitegrid") Conseils = Seaborn.load_dataset ("conseils") marin.SwarmPlot (x = "day", y = "total_bill", hue = "fumeur", data = tips, palette = "set2", size = 30, marker = "*", EdgeColor = "Black", alpha =.35) PLT.montrer() |
Ici, nous présentons le Seaborn et le Matplotlib.Cadres Pypllot. La méthode set () du composant Seaborn est utilisée. Le style est fourni comme argument pour cette méthode. Nous fournissons la variable de style avec la valeur «Whitegrid». Il affiche l'apparence visuelle du graphique.
Nous avons l'intention d'obtenir la trame de données intégrée, nous appelons donc la méthode de chargement de données (). Cette méthode est obtenue à partir du modèle Seaborn et a le paramètre «TIPS». La figure d'essaim est ensuite créée à l'aide de la technique de Swarplot (). Les entrées de la fonction sont la légende des deux axes, valeur de teinte, données, palette, taille du marqueur, forme du marqueur, edgecolor et valeur alpha.
L'axe des X montre les données des jours, tandis que l'axe y indique le dossier du projet de loi total. Les marqueurs de la forme '*' avec la taille 20 se trouvent dans cette carte Swarm. La fonction show () de matplotlib.pypllot est utilisé pour représenter le graphique ultime.
Conclusion
Nous avons discuté des différentes techniques pour tracer l'intrigue Swarm dans cet article. Les cartes d'essaims sont une forme de graphe de dispersion qui sont appliquées pour afficher des données catégorielles. Il empêche les éléments de se chevaucher. Nous pouvons utiliser la méthode de sous-tension () pour dessiner ces parcelles. Chaque fois que le cadre de l'échantillon est énorme, nous ne pouvons pas utiliser ce type de graphique.