Dans cet article, nous verrons comment créer un compte en utilisant la bibliothèque seaborn et comment les différents paramètres peuvent être utilisés pour déduire des résultats à partir des caractéristiques de notre ensemble de données.
Bibliothèque Seaborn
La bibliothèque Seaborn est largement utilisée par les analystes de données, la galaxie de tracés qu'elle contient offre la meilleure représentation possible de nos données.
La bibliothèque Seaborn peut être importée dans notre environnement de travail en utilisant-
import seaborn as sns
Voyons maintenant pourquoi utilisons-nous countplot et quelle est la signification de ses paramètres.
Compteur
Le countplot est utilisé pour représenter l'occurrence (le nombre) de l'observation présente dans la variable catégorielle.
Il utilise le concept d'un graphique à barres pour la représentation visuelle.
à la méthode de chaîne Java
Paramètres-
Les paramètres suivants sont spécifiés lorsque nous créons un countplot, ayons-en une brève idée-
Voyons maintenant quelles sont les différentes manières de représenter nos attributs.
Dans le premier exemple, nous allons créer un countplot pour une seule variable. Nous avons suivi les « conseils » de l'ensemble de données pour mettre en œuvre la même chose.
1. La valeur compte pour une seule variable
Exemple -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex',data=df) plt.show()
Sortir:
Dans l'exemple suivant, nous utiliserons le paramètre hue et créerons un countplot.
java ouvrir un fichier
Le programme suivant illustre la même chose-
2. Représentation de deux variables catégorielles à l'aide du paramètre de teinte
Exemple -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex',hue='smoker',data=df) plt.show()
Sortir:
Dans l'exemple suivant, nous considérerons l'axe y et créerons un tracé de comptage horizontal.
CSS centrant une image
Le programme suivant illustre la même chose-
3. Création de tracés horizontaux
Exemple -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(y='sex',hue='smoker',data=df) plt.show()
Sortir:
Voyons maintenant comment les palettes de couleurs peuvent améliorer la présentation de nos données.
Dans l'exemple suivant, nous utiliserons le paramètre 'palette'.
Le programme suivant illustre la même chose-
Vikas Divyakirti
4. Utiliser des palettes de couleurs
Saisir-
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex', data=df, palette='Set1') plt.show()
Sortir:
Dans l’exemple suivant, nous utiliserons le paramètre color et voyons comment cela fonctionne ?
Le programme suivant illustre la même chose-
5. Utiliser un paramètre 'couleur'
Exemple -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') #plotting the graph sns.countplot(x='Pclass',hue='Sex', data=df, color='green') plt.show()
Sortir:
Nous allons maintenant utiliser le paramètre « saturation » et voir quel impact cela a-t-il sur la représentation de nos données.
Le programme suivant illustre la même chose-
diagramme uml java
6. Utilisation du paramètre 'saturation'
Exemple -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') #plotting the graph sns.countplot(x='Pclass',data=df, color='green', saturation=0.1) plt.show()
Sortir:
Et enfin dans le dernier exemple nous utiliserons les paramètres largeur de ligne et couleur du bord.
Exemple -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') sns.countplot(x='Sex', data=df, color='green', facecolor=(0,0,0,0), linewidth=5, edgecolor=sns.color_palette('BrBG',2)) plt.show()
Sortir: