📅  最后修改于: 2020-11-06 06:41:50        🧑  作者: Mango

Seaborn是BSD许可的开源Python库，提供了高级API，可使用Python编程语言来可视化数据。本教程将带您了解Seaborn的基础知识和各种功能。这对从事数据分析的人员特别有用。完成本教程后，您将发现自己具有中等专业知识水平，可以从中获得更高的专业知识水平。先决条件您应该对计算机编程术语有基本的了解。对Python和任何编程语言都有基本的了解。 Seaborn库基于Matplotlib...

📅  最后修改于: 2020-11-06 06:42:07        🧑  作者: Mango

在Analytics(分析)领域中，获得见解的最佳方法是可视化数据。通过将数据表示为易于理解，探索和掌握的图表，可以将数据可视化。此类数据有助于吸引关键元素的注意。为了使用Python分析一组数据，我们使用了Matplotlib，一个广泛实施的2D绘图库。同样，Seaborn是Python的可视化库。它基于Matplotlib构建。Seaborn与Matplotlib总结来说，如果Matplotl...

📅  最后修改于: 2020-11-06 06:42:22        🧑  作者: Mango

在本章中，我们将讨论Seaborn的环境设置。让我们从安装开始，并了解我们如何继续前进。安装Seaborn并开始使用在本节中，我们将了解安装Seaborn所涉及的步骤。使用Pip安装程序要安装最新版本的Seaborn，可以使用pip-对于Windows，Linux和Mac使用AnacondaAnaconda(来自https://www.anaconda.com/是针对SciPy堆栈的免费Pytho...

📅  最后修改于: 2020-11-06 06:42:44        🧑  作者: Mango

在本章中，我们将讨论如何导入数据集和库。让我们首先了解如何导入库。导入库让我们从导入Pandas开始，这是一个用于管理关系(表格式)数据集的好库。 Seaborn在处理DataFrames时非常方便，DataFrames是用于数据分析的最广泛使用的数据结构。以下命令将帮助您导入熊猫-现在，让我们导入Matplotlib库，它可以帮助我们自定义绘图。我们将使用以下命令导入Seaborn库-导入数据集...

📅  最后修改于: 2020-11-06 06:43:16        🧑  作者: Mango

可视化数据是一个步骤，进一步使可视化数据更令人愉悦是另一步骤。可视化在向观众传达定量见解以吸引他们的注意力方面起着至关重要的作用。美学是指一系列与自然的本质和对美的欣赏有关的原则，尤其是在艺术中。可视化是一种以有效且最简单的方式表示数据的艺术。Matplotlib库高度支持自定义，但是要知道要调整哪些设置才能获得引人入胜的预期图，这是使用它应该知道的。与Matplotlib不同，Seaborn带有...

📅  最后修改于: 2020-11-06 06:43:46        🧑  作者: Mango

在可视化中，颜色比任何其他方面都起着重要作用。有效地使用颜色，可以为绘图增加更多价值。调色板是指画家在其上布置和混合涂料的平坦表面。建筑调色板Seaborn提供了一个称为color_palette()的函数，该函数可用于为绘图赋予颜色并为其添加更多的美学价值。用法参数下表列出了用于构建调色板的参数-Sr.No.Palatte & Description1n_colorsNumber of colo...

📅  最后修改于: 2020-11-06 06:44:01        🧑  作者: Mango

直方图表示数据分布，方法是沿数据范围形成bin，然后绘制条形图以显示每个bin中的观测值数量。Seaborn附带了一些数据集，在前几章中我们只使用了很少的数据集。我们已经学习了如何加载数据集以及如何查找可用数据集列表。Seaborn附带了一些数据集，在前几章中我们只使用了很少的数据集。我们已经学习了如何加载数据集以及如何查找可用数据集列表。例输出此处，kde标志设置为False。结果，将去除核估计...

📅  最后修改于: 2020-11-06 06:44:23        🧑  作者: Mango

核密度估计(KDE)是一种估计连续随机变量的概率密度函数的方法。用于非参数分析。在distplot中将hist标志设置为False将产生内核密度估计图。例输出拟合参数分布distplot()用于可视化数据集的参数分布。例输出绘制双变量分布双变量分布用于确定两个变量之间的关系。这主要涉及两个变量之间的关系以及一个变量相对于另一个变量的行为方式。分析seaborn中的双变量分布的最佳方法是使用join...

📅  最后修改于: 2020-11-06 06:44:41        🧑  作者: Mango

实时研究中的数据集包含许多变量。在这种情况下，应分析每个变量之间的关系。为(n，2)组合绘制双变量分布将是一个非常复杂且耗时的过程。要在数据集中绘制多个成对的双变量分布，可以使用pairplot()函数。这显示了数据帧中变量的(n，2)组合的关系作为图的矩阵，对角线图是单变量图。轴数在本节中，我们将学习什么是轴，其用法，参数等。用法参量下表列出了轴的参数-Sr.No.Parameter & Des...

📅  最后修改于: 2020-11-06 06:45:00        🧑  作者: Mango

在前面的章节中，我们了解了散点图，六边形图和kde图，这些图用于分析研究中的连续变量。当所研究的变量是分类变量时，这些图不适用。当研究中的一个或两个变量是分类变量时，我们使用诸如slotlot()，swarmplot()等图。 Seaborn提供了这样做的界面。分类散点图在本节中，我们将学习分类散点图。stripplot()当所研究的变量之一是分类变量时，将使用stripplot()。它代表沿任一...

📅  最后修改于: 2020-11-06 06:45:23        🧑  作者: Mango

在上一章中处理的类别散点图中，该方法在它可以提供的有关每个类别中值的分布的信息方面受到限制。现在，进一步，让我们看看什么可以帮助我们进行类别比较。箱形图箱线图是通过四分位数可视化数据分布的便捷方法。箱形图通常具有从框延伸的垂直线，称为晶须。这些晶须表示上下四分位数之外的变异性，因此箱形图也被称为箱须图和箱须图。数据中的所有异常值均作为单个点绘制。例输出图上的点表示离群值。小提琴图小提琴图是箱形图与...

📅  最后修改于: 2020-11-06 06:45:42        🧑  作者: Mango

在大多数情况下，我们处理数据整体分布的估计。但是，当涉及集中趋势估计时，我们需要一种特定的方式来汇总分布。平均值和中位数是估计分布的集中趋势的常用技术。在上一节中学习的所有图中，我们对整个分布进行了可视化。现在，让我们讨论关于可以用来估计分布的集中趋势的图。条形图barplot()显示类别变量和连续变量之间的关系。数据以矩形条表示，其中条的长度表示该类别中数据的比例。条形图表示集中趋势的估计。让我...

📅  最后修改于: 2020-11-06 06:45:57        🧑  作者: Mango

始终最好使用“长期”或“整洁”的数据集。但是有时我们别无选择，只能使用“宽格式”数据集，同样的功能也可以应用于多种格式的“宽格式”数据，包括熊猫数据框或二维NumPy数组。这些对象应直接传递给data参数，x和y变量必须指定为字符串例输出此外，这些函数接受Pandas或NumPy对象的向量，而不是DataFrame中的变量。例输出对于Python世界中的许多开发人员而言，使用Seaborn的主要优...

📅  最后修改于: 2020-11-06 06:46:18        🧑  作者: Mango

我们可以使用两个图表来可视化分类数据，您可以使用pointplot()函数或更高级别的factorplot()函数。因子图Factorplot在FacetGrid上绘制分类图。使用“种类”参数，我们可以选择箱形图，小提琴图，条形图和带状图等图。 FacetGrid默认使用点图。例输出我们可以使用kind参数使用不同的图来可视化相同的数据。例输出在factorplot中，数据绘制在构面网格上。什么是...

📅  最后修改于: 2020-11-06 06:46:43        🧑  作者: Mango

在大多数情况下，我们使用包含多个定量变量的数据集，而分析的目的通常是将这些变量彼此关联。这可以通过回归线来完成。在建立回归模型时，我们经常检查多重共线性，在这里我们必须看到连续变量的所有组合之间的相关性，并且将采取必要的措施消除多重共线性(如果存在)。在这种情况下，以下技术会有所帮助。绘制线性回归模型的函数Seaborn中有两个主要功能来可视化通过回归确定的线性关系。这些函数是regplot()和...