Seaborn - Farbpalette

Farbe spielt eine wichtige Rolle als jeder andere Aspekt in den Visualisierungen. Bei effektiver Verwendung verleiht Farbe dem Plot mehr Wert. Eine Palette bedeutet eine flache Oberfläche, auf der ein Maler Farben arrangiert und mischt.

Farbpalette erstellen

Seaborn bietet eine Funktion namens color_palette(), die verwendet werden können, um Plots Farben zu verleihen und ihnen mehr ästhetischen Wert zu verleihen.

Verwendung

seaborn.color_palette(palette = None, n_colors = None, desat = None)

Parameter

In der folgenden Tabelle sind die Parameter für die Erstellung der Farbpalette aufgeführt.

Sr.Nr.	Palatte & Beschreibung
1	n_colors Anzahl der Farben in der Palette. Wenn Keine, hängt die Standardeinstellung davon ab, wie die Palette angegeben wird. Standardmäßig der Wert vonn_colors ist 6 Farben.
2	desat Anteil, um jede Farbe zu entsättigen.

Rückkehr

Return bezieht sich auf die Liste der RGB-Tupel. Im Folgenden finden Sie die leicht verfügbaren Seaborn-Paletten -

Deep
Muted
Bright
Pastel
Dark
Colorblind

Daneben kann man auch eine neue Palette generieren

Es ist schwer zu entscheiden, welche Palette für einen bestimmten Datensatz verwendet werden soll, ohne die Eigenschaften der Daten zu kennen. Da wir uns dessen bewusst sind, werden wir die verschiedenen Verwendungsmöglichkeiten klassifizierencolor_palette() Typen -

qualitative
sequential
diverging

Wir haben eine andere Funktion seaborn.palplot()welches sich mit Farbpaletten befasst. Diese Funktion zeichnet die Farbpalette als horizontales Array. Wir werden mehr darüber wissenseaborn.palplot() in den kommenden Beispielen.

Qualitative Farbpaletten

Qualitative oder kategoriale Paletten eignen sich am besten zum Zeichnen der kategorialen Daten.

Beispiel

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(current_palette)
plt.show()

Ausgabe

Wir haben keine Parameter übergeben color_palette();Standardmäßig sehen wir 6 Farben. Sie können die gewünschte Anzahl von Farben anzeigen, indem Sie einen Wert an die übergebenn_colorsParameter. Hier daspalplot() wird verwendet, um das Farbfeld horizontal zu zeichnen.

Sequentielle Farbpaletten

Sequentielle Diagramme sind geeignet, um die Verteilung von Daten auszudrücken, die von relativ niedrigeren Werten bis zu höheren Werten innerhalb eines Bereichs reichen.

Wenn Sie der Farbe, die an den Farbparameter übergeben wird, ein zusätzliches Zeichen hinzufügen, wird das sequentielle Diagramm gezeichnet.

Beispiel

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("Greens"))
plt.show()

Note −Wir müssen 's' an den Parameter wie 'Greens' im obigen Beispiel anhängen.

Abweichende Farbpalette

Unterschiedliche Paletten verwenden zwei verschiedene Farben. Jede Farbe repräsentiert eine Variation des Wertes, die von einem gemeinsamen Punkt in beide Richtungen reicht.

Angenommen, Sie zeichnen die Daten im Bereich von -1 bis 1 auf. Die Werte von -1 bis 0 haben eine Farbe und 0 bis +1 eine andere Farbe.

Standardmäßig werden die Werte von Null zentriert. Sie können es mit parameter center steuern, indem Sie einen Wert übergeben.

Beispiel

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("BrBG", 7))
plt.show()

Ausgabe

Festlegen der Standardfarbpalette

Die Funktionen color_palette() hat einen Begleiter namens set_palette()Die Beziehung zwischen ihnen ähnelt den im Kapitel Ästhetik behandelten Paaren. Die Argumente sind für beide gleichset_palette() und color_palette(), Die Standardparameter von Matplotlib werden jedoch so geändert, dass die Palette für alle Diagramme verwendet wird.

Beispiel

import numpy as np
from matplotlib import pyplot as plt
def sinplot(flip = 1):
   x = np.linspace(0, 14, 100)
   for i in range(1, 5):
      plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)

import seaborn as sb
sb.set_style("white")
sb.set_palette("husl")
sinplot()
plt.show()

Ausgabe

Univariate Verteilung zeichnen

Die Verteilung von Daten ist das Wichtigste, was wir bei der Analyse der Daten verstehen müssen. Hier werden wir sehen, wie Seaborn uns hilft, die univariate Verteilung der Daten zu verstehen.

Funktion distplot()bietet die bequemste Möglichkeit, einen kurzen Blick auf die univariate Verteilung zu werfen. Diese Funktion zeichnet ein Histogramm, das zur Schätzung der Kerneldichte der Daten passt.