Lote de dispersão marítima

“Seaborn é uma magnífica técnica de visualização em python para exibir representações analíticas. Inclui estilos padrão atraentes e cores vibrantes que criam gráficos estatísticos que são muito cativantes. Ele é implementado no início da estrutura do matplotlib e está intimamente ligado aos módulos de Panda. Os gráficos de dispersão estão sendo utilizados com uma variedade de categorias semânticas para ajudar na análise visual. Isso pode criar visuais bidimensionais que podem ser estendidos traduzindo-se para diferentes parâmetros e utilizando a cor, tamanho e atributos de layout semântica.

Todos os recursos influenciam a interpretação óptica que pode ser utilizada para diferenciar entre subconjuntos. Quando se trata de produzir visuais com mais eficiência, empregar interpretações redundantes serão úteis. Neste artigo, passamos por várias abordagens usadas para desenhar os gráficos de dispersão usando a biblioteca marítima.”

Use a função scatterplot ()

Usamos o método ScatterPlot () para criar o gráfico de dispersão. Aqui, o conjunto de dados de dicas está sendo usado no gráfico de dispersão. Esta seria uma coleção de dados de ponta, dependendo da conta geral. Para uma trama, podemos utilizar qualquer quadro de dados. O código é escrito no Windows CMD e exibido da seguinte forma.

Primeiro de tudo, poucas bibliotecas necessárias foram importadas. A biblioteca Numpy será importada como NP; Os pandas serão importados como PD, Matplotlib será importado como MPL, Malplotlib.Pyplot como PLT e Seaborn será importado como SNS. Na próxima linha, a função de carga de carga () está sendo aplicada para carregar o quadro de dados. Fornecemos "dicas" como argumento para esta função.

Em seguida, aplicamos a função set () da biblioteca marítima para especificar os códigos de cores. Para desenhar o gráfico de dispersão, empregamos o método ScatterPlot (). Esta função contém três parâmetros diferentes, como os valores de eixos y, e o valor dos dados. Usamos o método show () para representar o enredo.

Traçar categorias diferentes

Usaremos um parâmetro chamado "Hue" neste gráfico de dispersão; Ele permite que os usuários exibam componentes de uma variável gráfica. Este atributo será usado para visualizar as categorias dentro de uma variável nominal. A ligação entre o comprimento e a largura do sépal de várias variedades foi exibida. O atributo Hue nos permite retratar valores categorizados em diferentes tons. O código é escrito no Windows CMD e exibido da seguinte forma.

Depois de incluir as bibliotecas Seaborn e Matplotlib.Pyplot, declaramos a variável “iris_data.”E nós atribuímos os dados carregados de íris a esta variável. Na próxima linha, especificamos o tamanho do gráfico usando a função Figura (). O tamanho é armazenado na variável “f.”

Agora, aplicamos o método ScatterPlot (). Esta função é usada para desenhar o enredo. Demos os rótulos de ambos os eixos, o valor do tom e o quadro de dados como seus parâmetros. No final, a função show () é utilizada para ilustrar o enredo.

Personalize a cor

Ao usar o argumento da paleta, exibimos o gráfico de dispersão com um esquema de cores personalizado. Esse recurso permite a exibição da variável categorizada através de uma tonalidade em expansão, com as categorias mostradas em ordem de aumentar o parâmetro agregado numérico de tons mais pálidos para mais escuros.

Como a espécie tem um comprimento floral mais longo do que outras espécies, é retratada na sombra mais sombria, enquanto aqueles com espécies mais curtos de tamanho de pétala são retratados em tons mais claros. O código é escrito no Windows CMD e exibido da seguinte forma.

No início do programa, apenas integramos os arquivos de cabeçalho necessários para a plotagem. A função de carga de carga () seria usada para carregar o quadro de dados da IRIS. Este método reflete os principais atributos de três flores de íris diferentes, incluindo comprimento, a largura do sépal, comprimento e largura da pétala. O tamanho da figura definida é definida pela figura da função ().

Então, usando o método ScatterPlot (), plotamos o comprimento das pétalas das diferentes flores de íris do quadro de dados em um gráfico de dispersão. A duração das pétalas das três variedades de flores difere significativamente. Especificamos o valor do argumento da "paleta" para "magma" na função. Usamos o método show () para denotar o enredo resultante.

Ajuste a forma

Também empregaremos o parâmetro "marcador" para personalizar o padrão de ponto de dispersão para quaisquer projetos selecionados. No parâmetro de mercado, podemos especificar o estilo dos pontos de dispersão que exigem. Nesse caso, indicamos os pontos com um símbolo "+". O parâmetro adicional chamado "alfa" é utilizado para exibir a relativa luminância dos vários pontos. O código é escrito no Windows CMD e exibido da seguinte forma.

O Seaborn e Matplotlib.Os arquivos de cabeçalho do PyPlot foram introduzidos. Temos que carregar o quadro de dados da íris, por isso empregamos load_dataset (). A próxima linha contém a função na qual ajustamos o tamanho da plotagem. Para criar o enredo, empregamos a função ScatterPlot (). Para os diferentes tipos de Iris Blooms, exibimos a largura do sépal no eixo x da trama e o comprimento da pétala no eixo y.

Para identificar os pontos de dispersão de acordo com a duração de várias espécies, usamos um parâmetro específico denominado tamanhos. Observaremos que os pontos de dispersão mudam de tamanho de maior para menor, dependendo da duração do sépal. Podemos definir exatamente a diferença entre os parâmetros que empregam uma versão específica, fornecendo o parâmetro "tamanhos". Fornecemos a função o parâmetro "marcador" e atribuímos o valor "+.”Para representar o enredo, a função show () é usada.

Conclusão

Discutimos o gráfico de dispersão do SeaBorn usando diferentes instâncias neste artigo. Recebemos vários gráficos de dispersão com o apoio das bibliotecas SeaBorn e Matplotlib. Este artigo também demonstrou numerosos elementos da função ScatterPlot (). A biblioteca integrada Seaborn está sendo empregada na língua Python. Oferece uma interface analítica visual única. Componentes que fornecem conjuntos de dados, processos e processamento de dados compõem o sistema. Os módulos marítimos e matplotlib são frequentemente aplicados no campo da análise de dados. Quando se trata de projetar visuais mais atingíveis, a incorporação de várias noções pode ser preferível.