Parcela de dispersión marina

“Seaborn es una magnífica técnica de visualización de Python para mostrar representaciones analíticas. Incluye estilos estándar atractivos y colores vibrantes que crean gráficos estadísticos que son muy cautivadores. Se implementa al comienzo del marco Matplotlib y está íntimamente vinculado con los módulos de Panda. Los diagramas de dispersión se están utilizando con una variedad de categorías semánticas para ayudar con el análisis visual. Esto puede crear imágenes bidimensionales que podrían extenderse traduciendo a diferentes parámetros y utilizando la semántica de los atributos de color, tamaño y diseño.

Todas las características influyen en la interpretación óptica que se puede utilizar para diferenciar entre subconjuntos. Cuando se trata de producir imágenes de manera más efectiva, el empleo de interpretaciones redundantes será útil. En este artículo, hemos pasado por varios enfoques utilizados para dibujar los diagramas de dispersión utilizando la biblioteca marítima."

Usar la función scatterplot ()

Utilizamos el método scatterplot () para crear el plan de dispersión. Aquí el conjunto de datos de consejos se está utilizando en el diagrama de dispersión. Esta sería una colección de datos de consejos dependiendo de la factura general. Para un gráfico, podemos utilizar cualquier marco de datos. El código está escrito en Windows CMD y se muestra de la siguiente manera.

En primer lugar, se han importado pocas bibliotecas requeridas. La biblioteca Numpy se importará como NP; Los pandas se importarán como PD, Matplotlib se importará como MPL, Malplotlib.Pyplot como PLT, y Sevorn se importarán como SNS. En la línea siguiente, la función de DataSet () de carga se está aplicando para cargar la trama de datos. Hemos proporcionado "consejos" como argumento para esta función.

Luego aplicamos la función set () de la biblioteca marea para especificar los códigos de color. Para dibujar el diagrama de dispersión, hemos empleado el método scatterplot (). Esta función contiene tres parámetros diferentes, como los valores de x, los ejes y y el valor de los datos. Hemos utilizado el método show () para representar la gráfica.

Trazar diferentes categorías

Usaremos un parámetro llamado "tono" en este diagrama de dispersión; Permite a los usuarios mostrar componentes de una variable gráfica. Este atributo se utilizará para visualizar las categorías dentro de una variable nominal. Se ha mostrado el vínculo entre la longitud y el ancho de sepal de varias variedades. El atributo de tono nos permite representar valores categorizados en diferentes tonos. El código está escrito en Windows CMD y se muestra de la siguiente manera.

Después de incluir las bibliotecas SeaBorn y Matplotlib.Pyplot, hemos declarado la variable "iris_data."Y hemos asignado los datos cargados de IRIS a esta variable. En la línea siguiente, hemos especificado el tamaño del gráfico usando la función figura (). El tamaño se almacena en la variable "F."

Ahora hemos aplicado el método scatterplot (). Esta función se usa para dibujar la gráfica. Hemos dado las etiquetas de ambos ejes, el valor del tono y el marco de datos como parámetros. Al final, la función show () se utiliza para ilustrar la trama.

Personalizar el color

Al usar el argumento de la paleta, mostramos el diagrama de dispersión con un esquema de color personalizado. Esta característica permite la visualización de la variable categorizada a través de un tinte en expansión, con las categorías que se muestran en orden de aumentar el parámetro agregado numérico de tonos más palos a más oscuros.

Dado que la especie tiene una longitud floral más larga que otras especies, se retrata en el tono más sombrío, mientras que aquellas con especies de pétal más cortas se representan en tonos más claros. El código está escrito en Windows CMD y se muestra de la siguiente manera.

Al comienzo del programa, acabamos de integrar los archivos de encabezado necesarios para trazar. La función de DataSet () de carga se utilizaría para cargar la trama de datos de Iris. Este método refleja los atributos principales de tres flores de iris diferentes, incluida la longitud, el ancho del sepal, la longitud y el ancho del pétalo. El tamaño de la figura definida está definido por la figura de la función ().

Luego, al usar el método scatterplot (), trazamos la longitud de los pétalos de las diferentes flores de iris del marco de datos en una gráfica de dispersión. La longitud de los pétalos de las tres variedades de flores difiere significativamente. Especificamos el valor del argumento de "paleta" a "magma" en la función. Hemos utilizado el método show () para denotar la trama resultante.

Ajustar la forma

También emplearemos el "marcador" del parámetro para personalizar el patrón de punto de dispersión a cualquier diseño seleccionado. En el parámetro del mercado, podemos especificar el estilo de los puntos de dispersión que requieren. En este caso, hemos indicado los puntos con un símbolo "+". El parámetro adicional llamado "alfa" se utiliza para mostrar la luminancia relativa de los diversos puntos. El código está escrito en Windows CMD y se muestra de la siguiente manera.

El marítimo y matplotlib.Se han introducido archivos de encabezado Pyplot. Tenemos que cargar el marco de datos del iris, por lo que hemos empleado load_dataset (). La siguiente línea contiene la función en la que ajustamos el tamaño de la gráfica. Para crear la gráfica, empleamos la función scatterplot (). Para los diferentes tipos de flores de iris, mostramos el ancho del sépalo en el eje x del gráfico y la longitud del pétalo en el eje y.

Para identificar los puntos de dispersión de acuerdo con la longitud de varias especies, utilizamos un parámetro específico denominado tamaños. Observaremos que los puntos de dispersión cambian de tamaño de más ancho a menor dependiendo de la longitud del sepal. Podemos definir exactamente la diferencia entre parámetros que emplean una versión específica al proporcionar el parámetro de "tamaños". Proporcionamos la función el "marcador" del parámetro y lo asignamos el valor "+."Para representar la trama, se usa la función show ().

Conclusión

Hemos discutido el diagrama de dispersión marítimo utilizando diferentes instancias en este artículo. Hemos dibujado varios diagramas de dispersión con el apoyo de las bibliotecas de Seaborn y Matplotlib. Este artículo también demostró numerosos elementos de la función scatterplot (). La biblioteca integrada se está empleando en el idioma de Python. Ofrece una interfaz analítica visual única. Componentes que proporcionan conjuntos de datos, procesos y procesamiento de datos constituyen el sistema. Los módulos Seaborn y Matplotlib se aplican con frecuencia en el campo del análisis de datos. Cuando se trata de diseñar imágenes más alcanzables, puede ser preferible incorporar múltiples nociones.