Seaborn에 대한 시각화 자료 작성
기본 낙서
상관 관계의 낙서:
import seaborn as sns
sns.regplot(x='1st_feature', y='2nd_feature', data=df)
Grafico de datos 잔차:
sns.residplot(df['features'], df['target'])
Boxplot(o subplot), para ver outlier:
sns.boxplot(x='1st_feature', y='2nd_feature', data=df)
그래픽 데 덴시다드:
plt.figure(figsize = (14,6))
plt.title('Plot Title')
sns.set_color_codes("pastel")
sns.distplot(df['1st_feature'], kde=True, bins=200, color="blue")
plt.show()
목표 달성을 위한 낙서:
class_0 = df.loc[df['target_feature'] == 0]["1st_feature"]
class_1 = df.loc[df['target_feature'] == 1]["2nd_feature"]
plt.figure(figsize = (14,6))
plt.title('Plot Title')
sns.set_color_codes("pastel")
sns.distplot(class_0, kde=True, bins=200, color="green", label='1st feature')
sns.distplot(class_1, kde=True, bins=200, color="red", label='2nd feature')
plt.legend()
plt.show()
다양한 속성에 대한 그래픽:
# 1st_feature= x, 2nd_feature = y, 3rd_feature = labels
def boxplot_variation(1st_feature, 2nd_feature, 3rd_feature, width=16):
fig, ax1 = plt.subplots(ncols=1, figsize=(width,6))
s = sns.boxplot(ax = ax1, x=1st_feature, y=2nd_feature, hue=3rd_feature,
data=df, palette="PRGn",showfliers=False)
s.set_xticklabels(s.get_xticklabels(),rotation=90)
plt.show();
중요한 Graficando 속성:
tmp = pd.DataFrame({'Feature': x_train, 'Feature importance': clf.feature_importances_})
tmp = tmp.sort_values(by='Feature importance', ascending=False)
plt.figure(figsize = (7,4))
plt.title('Features importance', fontsize=14)
s = sns.barplot(x=x_train, y='Feature importance', data=tmp)
s.set_xticklabels(s.get_xticklabels(), rotation=90)
plt.show()
Mapa de calor de la matriz de correlación en forma de triángulo:
# corr_matrix son las correlaciones a graficar usando .corr()
mask = np.triu(np.ones_like(corr_matrix, dtype=np.bool))
f, ax = plt.subplots(figsize=(11, 9))
cmap = sns.diverging_palette(220, 10, as_cmap=True)
sns.heatmap(corr_matrix, mask=mask, cmap=cmap, vmax=.3, center=0,
square=True, linewidths=.5, cbar_kws={"shrink": .5})
쌍도
쌍 그림 기본:
sns.pairplot(df)
선택 사항:
sns.pairplot(df, vars=["1st_feature", "2nd_feature"])
다른 속성 en filas y columnas:
sns.pairplot(df,
x_vars=["1st_feature", "2nd_feature"],
y_vars=["3rd_feature", "4th_feature"])
Graficando solo el triángulo lower y ajustando un modelo lineal:
sns.pairplot(df, kind='reg', corner=True)
결론
Esto es todo por ahora,quisa en el futuro haga una segunda parte con mas tipos de gráficos.
¡Muchas gracias por llegar hasta aqui!
Reference
이 문제에 관하여(Seaborn에 대한 시각화 자료 작성), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://dev.to/ruizleandro/recetas-para-visualizacion-de-datos-con-seaborn-26o
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
import seaborn as sns
sns.regplot(x='1st_feature', y='2nd_feature', data=df)
sns.residplot(df['features'], df['target'])
sns.boxplot(x='1st_feature', y='2nd_feature', data=df)
plt.figure(figsize = (14,6))
plt.title('Plot Title')
sns.set_color_codes("pastel")
sns.distplot(df['1st_feature'], kde=True, bins=200, color="blue")
plt.show()
class_0 = df.loc[df['target_feature'] == 0]["1st_feature"]
class_1 = df.loc[df['target_feature'] == 1]["2nd_feature"]
plt.figure(figsize = (14,6))
plt.title('Plot Title')
sns.set_color_codes("pastel")
sns.distplot(class_0, kde=True, bins=200, color="green", label='1st feature')
sns.distplot(class_1, kde=True, bins=200, color="red", label='2nd feature')
plt.legend()
plt.show()
# 1st_feature= x, 2nd_feature = y, 3rd_feature = labels
def boxplot_variation(1st_feature, 2nd_feature, 3rd_feature, width=16):
fig, ax1 = plt.subplots(ncols=1, figsize=(width,6))
s = sns.boxplot(ax = ax1, x=1st_feature, y=2nd_feature, hue=3rd_feature,
data=df, palette="PRGn",showfliers=False)
s.set_xticklabels(s.get_xticklabels(),rotation=90)
plt.show();
tmp = pd.DataFrame({'Feature': x_train, 'Feature importance': clf.feature_importances_})
tmp = tmp.sort_values(by='Feature importance', ascending=False)
plt.figure(figsize = (7,4))
plt.title('Features importance', fontsize=14)
s = sns.barplot(x=x_train, y='Feature importance', data=tmp)
s.set_xticklabels(s.get_xticklabels(), rotation=90)
plt.show()
# corr_matrix son las correlaciones a graficar usando .corr()
mask = np.triu(np.ones_like(corr_matrix, dtype=np.bool))
f, ax = plt.subplots(figsize=(11, 9))
cmap = sns.diverging_palette(220, 10, as_cmap=True)
sns.heatmap(corr_matrix, mask=mask, cmap=cmap, vmax=.3, center=0,
square=True, linewidths=.5, cbar_kws={"shrink": .5})
sns.pairplot(df)
sns.pairplot(df, vars=["1st_feature", "2nd_feature"])
sns.pairplot(df,
x_vars=["1st_feature", "2nd_feature"],
y_vars=["3rd_feature", "4th_feature"])
sns.pairplot(df, kind='reg', corner=True)
Esto es todo por ahora,quisa en el futuro haga una segunda parte con mas tipos de gráficos.
¡Muchas gracias por llegar hasta aqui!
Reference
이 문제에 관하여(Seaborn에 대한 시각화 자료 작성), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://dev.to/ruizleandro/recetas-para-visualizacion-de-datos-con-seaborn-26o텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)