[PYTHON] Übersicht und Tipps von Seaborn mit statistischer Datenvisualisierung

seaborn: Python-Datenvisualisierungsbibliothek. High-Level-API. Wunderschönen.

スクリーンショット 2017-04-04 19.18.49.png

0. Verwendung mit Matplotlib

1. Stileinstellungen

Ich benutze oft Standard oder "Weiß" für Stil. Passen Sie font_scale an, indem Sie sich die Abbildung ansehen.

import seaborn as sns
sns.set(style="white", font_scale=1.3, palette="muted", color_codes=True)

2. Überprüfen Sie, ob Sie mit Seaborn tun können, was Sie wollen

Sehen Sie sich die Seite Galerie des offiziellen Dokuments an. (Da die Funktionen, die verwendet werden können, auf Folgendes beschränkt sind, müssen Sie sich den Link nicht ansehen, wenn Sie sich vorstellen können, was Sie mit dem Funktionsnamen tun können. Sie können die Details des Arguments mit der Hilfefunktion von ipython überprüfen.)

Visualisierung der Verteilung

Funktion

Streit --kde: Schätzung der Kerneldichte --hist: Histogramm --hue: Verteilungsschätzung nach Bedingung

Rückkehr

Funktion

Streit

Kategoriale Daten

Funktion

3. Andere

Lesen Sie den Datensatz von seaborn

#Datensatzliste: https://github.com/mwaskom/seaborn-data
sns.load_dataset('titanic')

Wellenentfernung

sns.despine() #Oben und rechts
sns.despine(left=True) #Auch links

color palettes

#Aktuelle Farbkarte
cmap_current = sns.color_palette()
sns.palplot(cmap_current)
#Neue Farbkarte
#Referenz: http://seaborn.pydata.org/tutorial/color_palettes.html
#Beispiel: key = "set1" (categorical), "Blues" (sequential)
num = 8
cmap = sns.color_palette(key, num)
sns.palplot(cmap)

Recommended Posts

Übersicht und Tipps von Seaborn mit statistischer Datenvisualisierung
Visualisieren Sie Ihre Daten ganz einfach mit Python Seaborn.
Empfehlung von Altair! Datenvisualisierung mit Python
Implementieren Sie "Data Visualization Design # 3" mit Pandas und Matplotlib
Datenvisualisierung mit Pandas
Schöne Grafikzeichnung mit Python-Seaborn erleichtert die Datenanalyse und -visualisierung Teil 1
Wunderschönes Zeichnen mit Python-Seaborn erleichtert die Datenanalyse und -visualisierung Teil 2
Analyse von Finanzdaten durch Pandas und deren Visualisierung (2)
Analyse von Finanzdaten durch Pandas und deren Visualisierung (1)
Visualisierung von Daten anhand einer erklärenden Variablen und einer objektiven Variablen
Überblick über die Verarbeitung natürlicher Sprache und ihre Datenvorverarbeitung
Visualisierung von Daten nach Präfektur
Einführung und Tipps von mlflow.Tracking
Datenverarbeitungstipps mit Pandas
Befreien Sie sich mit Python und regulären Ausdrücken von schmutzigen Daten
Verwenden von MLflow mit Databricks ② - Visualisierung experimenteller Parameter und Metriken -
Interaktive Visualisierung mit ipywidgets und Bokeh
Datenanalyse beginnend mit Python (Datenvisualisierung 1)
Koexistenz von Python2 und 3 mit CircleCI (1.0)
Datenanalyse beginnend mit Python (Datenvisualisierung 2)
Implementieren Sie "Data Visualization Design # 2" mit matplotlib
Aggregation und Visualisierung akkumulierter Zahlen
[Basic] Vereinheitlichen Sie alles von der Tabellierung bis zur Dashboard-Erstellung! Entwicklung von Datenvisualisierungsanwendungen mit Python und Dash ~ Übersicht über Dash, Umgebungskonstruktion, Beispielausführung ~
Ich habe versucht, die statistischen Daten der neuen Corona mit Python abzurufen und zu analysieren: Daten der Johns Hopkins University
Stellen Sie die Behälterbreite mit dem Histogramm von Matplotlib und Seaborn klar und ordentlich ein
Eine Sammlung von Tipps zur Beschleunigung des Lernens und Denkens mit PyTorch
Visualisierung von Breiten- / Längenkoordinatendaten (unter der Annahme meteorologischer Daten) unter Verwendung von Cartopy und Matplotlib
[In-Database Python Analysis-Lernprogramm mit SQL Server 2017] Schritt 3: Erkunden und Visualisieren von Daten
Erfassung und Visualisierung von Sensordaten für das Pflanzenwachstum mit Intel Edison und Python
Ich habe 0 Jahre Programmiererfahrung und fordere die Datenverarbeitung mit Python heraus
Datenpipeline-Aufbau mit Python und Luigi
Korrelationsvisualisierung der Merkmalsmenge und der Zielvariablen
Trennung von Design und Daten in matplotlib
Lesen Sie CSV und analysieren Sie mit Pandas und Seaborn
Beispiel für eine effiziente Datenverarbeitung mit PANDAS
Lassen Sie uns die Beziehung zwischen Durchschnittsgehalt und Industrie mit XBRL-Daten und Seaborn visualisieren! (7/10)
Praxis der Erstellung einer Datenanalyseplattform mit BigQuery und Cloud DataFlow (Datenverarbeitung)
Visualisierung von CNN-Feature-Maps und -Filtern (Tensorflow 2.0)
Konvertieren Sie Daten mit Form (Anzahl der Daten, 1) in (Anzahl der Daten,) mit numpy.
Generieren und veröffentlichen Sie Dummy-Bilddaten mit Django
Koexistenz von Fcitx und Zoom ~ Mit japanischer Lokalisierung ~
Echtzeitvisualisierung von Thermografie AMG8833-Daten in Python
Visualisieren Sie Daten interaktiv mit TreasureData, Pandas und Jupyter.
Skript zum Twittern mit Vielfachen von 3 und Zahlen mit 3 !!
Glättung von Zeitreihen und Wellenformdaten 3 Methoden (Glättung)
TRIE-Baumimplementierung mit Python und LOUDS
CSV-Ausgabe von Impulsdaten mit Raspberry Pi (CSV-Ausgabe)
Zeigen Sie Details zu Zeitreihendaten mit Remotte an
Wavelet-Konvertierung von Bildern mit PyWavelets und OpenCV
Datenbereinigung 3 Verwendung von OpenCV und Vorverarbeitung von Bilddaten
Automatische Erfassung von Aktienkursdaten mit Docker-Compose
Fortsetzung der Multi-Plattform-Entwicklung mit Electron und Python
Pandas-Grundlagen für Anfänger ② Übersicht über die Daten
"Learning word2vec" und "Visualisierung mit Tensorboard" auf Colaboratory
Beispiel für das Lesen und Schreiben von CSV mit Python
Holen Sie sich mit Python eine große Menge von Starbas Twitter-Daten und probieren Sie die Datenanalyse Teil 1 aus
[Neueste Methode] Visualisierung von Zeitreihendaten und Extraktion häufiger Muster mithilfe des Pan-Matrix-Profils
Ich wollte nur die Daten des gewünschten Datums und der gewünschten Uhrzeit mit Django extrahieren