Plotagem marítima Dataframe

“Auxília marítima na exploração e compreensão de dados. Suas funções de gráficos funcionam com quadros de dados e matrizes contendo conjuntos de dados inteiros, executando a agregação estatística necessária e o mapeamento semântico internamente para criar gráficos úteis. As associações estatísticas podem ser vistas com a ajuda de Seaborn. A análise estatística é usada para descobrir como os parâmetros em um conjunto de dados se relacionam e como essa conexão é influenciada por outras variáveis. Esta análise estatística ajuda na visualização de tendências, bem como na identificação de vários recursos no conjunto de dados.

Por padrão, o quadro de dados de pandas é usado para carregar o conjunto de dados. Este DataFrame é usado por qualquer função de quadro de dados de pandas. DataFrames são grades retangulares que mantêm dados e permitem fácil visualização dos dados. Cada coluna do padrão de grade é um vetor que mantém dados para uma única variável, e cada linha da grade tem valores de uma instância. Isso significa que os valores nas linhas de um quadro de dados não precisam ser do mesmo tipo de dados; eles podem ser aritméticos, textos, lógicos ou qualquer outra coisa. DataFrames são contêineres de dados anotados bidimensionais com diversos tipos de colunas que vêm embaladas com o módulo pandas para python.

A biblioteca em Seaborn inclui alguns conjuntos de dados importantes. Os conjuntos de dados são carregados automaticamente após a instalação do SeaBen. O conjunto de dados necessário pode ser carregado com a assistência da função subsequente.

load_dataset ()

Esta função oferece acesso rápido a um número limitado de conjuntos de dados de amostra que você pode usar para documentar o SeaBorn ou criar exemplos repetíveis para relatórios de bugs. O uso normal não exige.”

Exemplo 1

Em nosso primeiro exemplo, estamos usando o gráfico da caixa para imaginar os registros. Temos módulos marítimos e matplotlib para plotar o enredo da linha. Em seguida, uma variável é declarada como dados e, dentro dessa variável, o Seaborn load_dataset é chamado. O load_dataset leva o quadro de dados DIPS, que está por padrão presente no Python. Agora, podemos chamar qualquer uma das colunas do conjunto de dados Titanic para a renderização do enredo. O enredo da caixa toma x como um argumento para o qual definimos a coluna Total_bill a partir do conjunto de dados de amostra Titanic.

Importar Seaborn como SNS
importar matplotlib.pyplot como plt
Dados = SNS.load_dataset ("Dicas")
SNS.BoxPlot (dados ['total_bill']))
plt.mostrar()

O quadro de dados Titanic BoxPlot é visualizado na figura a seguir.

Exemplo 2

Podemos plotar o quadro de dados com qualquer uma das parcelas marítimas. Neste exemplo, temos uma trama de violino para fazer o enredo de quadros de dados marítimos. Um gráfico de caixa e um gráfico de violino são comparáveis. Ele compara as distribuições de inúmeros pontos de dados quantitativos entre um ou mais fatores de categoria.

Como estamos usando a função Seaborn load_dataset, então precisamos importar o módulo Seaborn Python e, para o enredo, temos um módulo Matplotlib. Lá nós estilizamos o fundo do enredo em uma grade escura. Em seguida, a função load_dataset é chamada, onde novamente, usamos as dicas de conjunto de dados de amostra.

A partir da amostra de dicas de conjunto de dados, estamos pegando duas colunas, total_bill e tempo, para os eixos x e y do gráfico. Para usar essas colunas para o enredo, temos um enredo de violino marítimo aqui que leva o X como total_bill para o eixo e y como tempo para o eixo y. Essas colunas especificadas são comparadas entre si na trama.

Importar Seaborn como SNS
importar matplotlib.pyplot como plt
SNS.set (style = 'DarkGrid')
df = SNS.load_dataset ("Dicas")
SNS.ViolinPlot (x = "total_bill", y = "time", dados = df)
plt.mostrar()

O quadro de dados é visualizado na figura a seguir.

Exemplo 3

Aqui, mostramos o enredo de dados de dados com o gráfico de pontos. Um gráfico de pontos pode indicar estimativa com intervalos de confiança usando gráficos de plotagem de dispersão. O ponto determina uma significância estatística estimada para um ponto de dados com base na localização do ponto do gráfico de dispersão e inclui barras de erro para indicar o nível de incerteza.

No script a seguir, definimos o estilo Grid escuro para o fundo do enredo. Em seguida, temos uma função load_dataset, desta vez temos um conjunto de dados Iris para gerar o enredo. Passamos nas colunas Sepal_length e Sepal_width para o parâmetro X e Y para o gráfico de pontos.

Gimport Seaborn
importar matplotlib.pyplot como plt
Seancen.Set (Style = 'WhiteGrid')
Dados = Seaborn.load_dataset ("Iris")
Seancen.Pointplot (x = "Sepal_length", y = "Sepal_width", dados = dados)
plt.mostrar()

O gráfico de pontos da íris do conjunto de dados é mostrado da seguinte forma:

Exemplo 4

O quadro de dados bidimensionais de pandas é apropriado para a estrutura estatística com eixos marcados que podem ser variados e são mutáveis ​​de tamanho (linhas e colunas). Para criar o quadro de dados do panda, os comprimentos de todas as matrizes devem ser iguais. Se um índice for definido, ele deve ter o mesmo comprimento que as matrizes. Se nenhum índice estiver definido no intervalo (n), então por padrão, o n é usado, que é o comprimento da matriz.

No snippet de código fornecido, importamos o módulo do panda e depois chamamos o construtor de dados de dados do pandas, onde as duas matrizes são especificadas como List1 e List2. Temos uma coleção de números aleatórios em uma matriz de igual comprimento. Para fazer o gráfico dos dados acima, temos um enredo KDE. Ele mostra a densidade de probabilidade de uma variável contínua em vários níveis. Também podemos criar um gráfico separado para várias amostras, facilitando a visualização de dados. A propriedade de dados é chamada com os campos que possui dentro do quadro de dados.

importar matplotlib.pyplot como plt
Importar Seaborn como SNS
Importar pandas
dados = pandas.Dataframe ("list1": [23, 30, 14, 15, 20],
"List2": [19, 20, 16, 26, 11])
SNS.KDEPLOT (Data ['List1'], Data ['List2']))
plt.mostrar()

O gráfico KDE mostra a comparação do quadro de dados do Pandas dentro da figura.

Conclusão

Agora, você tem um breve artigo de quadro de dados da plotagem marítima aqui. Podemos criar o quadro de dados com o quadro de dados do Panda. Os quadros de dados em pandas são fortes conjuntos de dados de leitores que você deve usar para obter uma compreensão mais profunda de suas informações. Também podemos utilizar os quadros de dados da amostra marítima embutidos usando a função load_dataset. Esse quadro de dados pode ser plotado a cada trama do SeaBorn, pois mostramos os numerosos exemplos que traçam os quadros de dados.