Método do Seaborn Kdeplot

A estimativa de densidade do kernel (KDE) é uma técnica para representar a distribuição condicional de parâmetros de entrada linear e não linear. O método kdeplot () retorna um gráfico semântico muito menos complexo e melhor sempre que queremos exibir inúmeras dispersões. Vários conjuntos de dados podem ser vistos utilizando uma apresentação gráfica no KDE. É uma forma muito mais eficaz de análise visual. A estimativa de densidade do kernel (KDE) é um modelo preditivo para calcular e visualizar a probabilidade posterior de uma variável discreta. A análise não faz suposições sobre o conjunto de dados, incluindo se reflete os requisitos de um padrão ou qualquer probabilidade.

A estimativa de densidade do kernel é uma versão simplificada do histograma que não inclui a linha de períodos de distribuição e os respectivos pontos terminais. Criar números distintos para os conjuntos de dados e combinar aqueles para criar uma forma completa fornece uma linha retificada para a distribuição posterior de um conjunto de dados original.

Seaborn é uma estrutura de programação como Matplotlib. Seaborn pode ser usado para visualização com os módulos pandas e numpy. Analistas de dados estão usando kits de ferramentas para fazer representações analíticas, analíticas relevantes e atraentes. Com a ajuda do método kdeplot () da biblioteca marítima, podemos desenhar gráficos estatísticos descritivos e inferenciais.

Examinaremos como utilizar o Seaborn para visualizar os gráficos KDE. Para ilustrar o layout do gráfico KDE, este artigo empregará algumas instâncias dos dados originais.

Exemplo 1

Podemos validar o modelo usando o pacote Seaborn chamando o método padrão kdeplot (). Reunimos 2500 dados de sequência com o módulo randomizado no cenário a seguir. Em seguida, coloquei -os em um quadro de dados Numpy, pois o pacote marítimo interage exclusivamente com o módulo Numpy e o módulo pandas. O código de exemplo do SeaBorn para esta instância está afixado abaixo:

Iniciaremos o programa incorporando os arquivos de cabeçalho necessários. O arquivo de cabeçalho do SeaBorn será integrado como SN, Matplotlib.O PyPlot será integrado como PLT e Numpy será integrado como NP. Na etapa subsequente, indicamos o conjunto de dados de 2500 entradas. Isso pode ser realizado utilizando o método Randn () da Biblioteca Numpy.

Usamos a função kdeplot () para desenhar um gráfico KDE. Esta função está relacionada ao pacote marítimo. Fornecemos o quadro de dados, a cor e a sombra como os argumentos da função kdeplot (). Aqui, definimos o valor da sombra como 'verdadeiro' e o valor da cor como 'roxo'. Este código será encerrado chamando a função show () do matplotlib.Módulo PyPlot. Esta função representa o enredo final.

Exemplo # 2

Ao utilizar a função kdeplot () e a estrutura marítima, poderíamos representar ainda mais o conjunto de dados na diagonal ou inverter o gráfico resultante. Para inverter a tela, empregamos o parâmetro gráfico vertical = true. O código de exemplo do SeaBorn para esta instância está afixado abaixo:

Primeiro, importamos as bibliotecas: Seaborn, Matplotlib.Pyplot e Numpy. Temos que definir as 1000 coleções de dados. A função Randn () da biblioteca Numpy pode ser usada para realizar isso. Para criar um mapa KDE, empregamos o método Kdeplot (). O módulo SeaBorn está conectado a esta função. O método kdeplot () tem vários argumentos: um quadro de dados, uma cor e uma sombra. Queremos que a trama seja desenhada verticalmente neste caso. Como resultado, utilizamos o argumento 'vertical' e definimos seu valor como 'verdadeiro'.

Ajustamos o valor da sombra para 'verdadeiro' e o valor da cor para 'verde'. Este código seria encerrado executando o matplotlib.Função do módulo PyPlot (). O gráfico final foi retratado com a ajuda deste método.

Exemplo # 3

Levamos os dois parâmetros para a função Kdeplot () do pacote marítimo para construir o gráfico de regressão multivariada para parâmetros dependentes. A função kdeplot () está sendo usada para plotar dados. No código seguinte, mostraremos como obter uma regressão multivariada KDE Plot. O código de exemplo do SeaBorn para esta instância está afixado abaixo:

Os arquivos do cabeçalho devem ser incluídos no início do script. O PD seria importado pela Biblioteca Pandas, SNS seria importado pela Biblioteca Seaborn e PLT seria importado com a ajuda de Matplotlib.Pyplot. Junto com tudo isso, incluímos um módulo em linha matplotlib.

Na próxima etapa, definiremos os conjuntos de dados para o eixo x e o eixo y. Definimos os conjuntos chamando o método Randn () da Biblioteca Numpy. Agora, invocamos a função kdeplot () para desenhar o gráfico KDE. Demos os conjuntos de dados de ambos os eixos como parâmetros deste método. A função show () está sendo utilizada para ilustrar o gráfico resultante:

Exemplo # 4

Nosso código usará o 'CBAR' neste argumento de contexto. Se o valor de 'CBAR' for verdadeiro, uma barra de cores será aplicada a um gráfico de regressão multivariado para destacar a representação da matiz. Infelizmente, de alguma forma não permite visualizações com um parâmetro de cor. O código de exemplo do SeaBorn para esta instância está afixado abaixo:

Depois de introduzir as bibliotecas necessárias, pandas, Seaborn, Numpy e Matplotlib.pyplot, tanto o eixo x quanto os quadros de dados do eixo y foram especificados. Os conjuntos são definidos ao usar a função Randn () da biblioteca Numpy. Temos chamado a ferramenta Kdeplot () para desenhar o gráfico KDE. Este método é um componente do pacote marítimo. Os parâmetros desta metodologia são os conjuntos de dados de ambos os eixos. Passamos o argumento 'cBAR' para o método Kdeplot (). O método show () será usado para visualizar o gráfico obtido.

Conclusão

Neste artigo, usamos a apresentação do gráfico KDE com o módulo Pandas e o pacote marítimo. Em um gráfico 1D KDE, observamos como descrever o modelo probabilístico de uma e muitas variáveis. Conversamos sobre como representar um conjunto de dados 2D usando o layout KDE com a estrutura Seaborn. Também fornecemos o método kdeplot () com alguns parâmetros para observar como eles afetaram o mapa.