Seaborn - Lập biểu đồ dữ liệu phân loại
Trong các chương trước, chúng ta đã học về biểu đồ phân tán, biểu đồ hexbin và biểu đồ kde được sử dụng để phân tích các biến liên tục đang được nghiên cứu. Các đồ thị này không phù hợp khi biến đang nghiên cứu là phân loại.
Khi một hoặc cả hai biến đang nghiên cứu là phân loại, chúng tôi sử dụng các biểu đồ như striplot (), swarmplot (), v.v. Seaborn cung cấp giao diện để làm như vậy.
Biểu đồ phân tán phân tán
Trong phần này, chúng ta sẽ tìm hiểu về các âm mưu phân tán phân loại.
Stripplot ()
stripplot () được sử dụng khi một trong các biến đang nghiên cứu là phân loại. Nó đại diện cho dữ liệu theo thứ tự được sắp xếp dọc theo bất kỳ trục nào.
Thí dụ
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.stripplot(x = "species", y = "petal_length", data = df)
plt.show()
Đầu ra
Trong sơ đồ trên, chúng ta có thể thấy rõ sự khác biệt của petal_lengthở mỗi loài. Tuy nhiên, vấn đề lớn với biểu đồ phân tán ở trên là các điểm trên biểu đồ phân tán bị chồng lên nhau. Chúng tôi sử dụng tham số 'Jitter' để xử lý loại tình huống này.
Jitter thêm một số nhiễu ngẫu nhiên vào dữ liệu. Tham số này sẽ điều chỉnh các vị trí dọc theo trục phân loại.
Thí dụ
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.stripplot(x = "species", y = "petal_length", data = df, jitter = Ture)
plt.show()
Đầu ra
Bây giờ, sự phân bố của các điểm có thể được nhìn thấy một cách dễ dàng.
Swarmplot ()
Một tùy chọn khác có thể được sử dụng thay thế cho 'Jitter' là chức năng swarmplot(). Hàm này định vị từng điểm của biểu đồ phân tán trên trục phân loại và do đó tránh được các điểm chồng chéo -
Thí dụ
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.swarmplot(x = "species", y = "petal_length", data = df)
plt.show()