Seaborn - Facettengitter

Ein nützlicher Ansatz zur Untersuchung mitteldimensionaler Daten besteht darin, mehrere Instanzen desselben Diagramms in verschiedenen Teilmengen Ihres Datensatzes zu zeichnen.

Diese Technik wird allgemein als "Gitter" - oder "Gitter" -Diagramm bezeichnet und steht im Zusammenhang mit der Idee "kleiner Vielfacher".

Um diese Funktionen nutzen zu können, müssen sich Ihre Daten in einem Pandas DataFrame befinden.

Zeichnen kleiner Vielfacher von Datenuntermengen

Im vorherigen Kapitel haben wir das FacetGrid-Beispiel gesehen, in dem die FacetGrid-Klasse bei der Visualisierung der Verteilung einer Variablen sowie der Beziehung zwischen mehreren Variablen innerhalb von Teilmengen Ihres Datasets mithilfe mehrerer Bedienfelder hilft.

Ein FacetGrid kann mit bis zu drei Dimensionen gezeichnet werden - Zeile, Spalte und Farbton. Die ersten beiden haben eine offensichtliche Übereinstimmung mit der resultierenden Anordnung von Achsen; Stellen Sie sich die Farbtonvariable als dritte Dimension entlang einer Tiefenachse vor, in der verschiedene Ebenen mit unterschiedlichen Farben dargestellt werden.

FacetGrid Das Objekt verwendet einen Datenrahmen als Eingabe und die Namen der Variablen, die die Zeilen-, Spalten- oder Farbtonabmessungen des Rasters bilden.

Die Variablen sollten kategorisch sein und die Daten auf jeder Ebene der Variablen werden für eine Facette entlang dieser Achse verwendet.

Beispiel

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('tips')
g = sb.FacetGrid(df, col = "time")
plt.show()

Ausgabe

Im obigen Beispiel haben wir gerade das initialisiert facetgrid Objekt, das nichts auf sie zeichnet.

Der Hauptansatz für die Visualisierung von Daten in diesem Raster ist der mit FacetGrid.map()Methode. Betrachten wir die Verteilung der Tipps in jeder dieser Untergruppen anhand eines Histogramms.

Beispiel

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('tips')
g = sb.FacetGrid(df, col = "time")
g.map(plt.hist, "tip")
plt.show()

Ausgabe

Die Anzahl der Diagramme ist aufgrund des Parameters col mehr als eins. Wir haben in unseren vorherigen Kapiteln über col-Parameter gesprochen.

Übergeben Sie die mehreren Variablennamen, um ein relationales Diagramm zu erstellen.

Beispiel

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('tips')
g = sb.FacetGrid(df, col = "sex", hue = "smoker")
g.map(plt.scatter, "total_bill", "tip")
plt.show()

Ausgabe