N'hésitez pas à changer l'étiquette de légende avec Seaborn en python

Articles pour des personnes comme ça

• Les personnes qui ont récemment commencé à utiliser seaborn avec python et qui souhaitent faire du boxplot, du violinplot, etc. --Les personnes qui souhaitent définir des étiquettes avec leurs propres chaînes de caractères dans violinplot et boxplot --Les personnes qui ont des problèmes parce que l'étiquette est définie automatiquement lorsqu'elle est en mer

Solution

Réglez la poignée de la légende Solution facile avec les deux lignes suivantes!

python

handler, label = ax.get_legend_handles_labels()
ax.legend(handler, ["label1", "label2"])

Exemple de tracé utilisant des données Titanic

Télécharger les données

Nous utiliserons des données titanesques comme exemple. L'ensemble de données titanesque est décrit à de nombreux endroits. Par exemple, l'article suivant. Référence: "Titanic: ensemble de données tabulaires sur l'état de survie (13 éléments tels que l'âge et le sexe) des passagers du Titanic" https://www.atmarkit.co.jp/ait/articles/2007/02/news016.html

python

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set("talk")

df = sns.load_dataset('titanic')
df.head()

Le résultat de sortie ressemble à ceci.

Répartition par âge par classe de passagers

Ici, je vais tracer la distribution par âge pour chaque pclass (classe de passagers).

python

sns.violinplot(data=df, x='pclass', y='age')

En regardant la figure, nous pouvons voir qu'il y a beaucoup de jeunes générations dans pclass3. Creusez plus profondément, "Y a-t-il une différence de vie et de mort dans la répartition par âge de chaque classe?" J'aimerais voir.

python

fig,ax=plt.subplots()
sns.violinplot(data=df, x='pclass', y='age',hue="alive",split=True, ax=ax)
ax.legend(loc='upper left',bbox_to_anchor=(1.05,1))

Vous pouvez diviser le tracé du violon en deux en spécifiant la teinte. La légende est placée à l'extérieur de la figure pour plus de clarté.

Changement d'étiquette (sujet principal)

C'est finalement le sujet principal. Ce qui est inquiétant ici, c'est l'étiquette légendaire. Si vous dites non ou oui, vous ne savez pas ce que c'est quand vous le regardez plus tard. C'est parce que le contenu non / oui de la colonne active de df est spécifié tel qu'il est dans l'étiquette.

Par conséquent, récupérez le descripteur de label et spécifiez-le directement.

python

fig,ax=plt.subplots()
sns.violinplot(data=df, x='pclass', y='age',hue="alive",split=True, ax=ax)
ax.legend(loc='upper left',bbox_to_anchor=(1.05,1))
handler, label = ax.get_legend_handles_labels()
ax.legend(handler, ["dead","alive"],loc='upper left',bbox_to_anchor=(1.05,1))

Vous pouvez déterminer en toute sécurité si l'étiquette est mort / vivant et il n'y a aucune différence entre la vie et la mort, même si vous la regardez plus tard.

Au fait, comme j'ai découvert qu'il était divisé par la vie et la mort

--Lorsque pclass2,3, le pourcentage de vivants est élevé dans les groupes d'âge plus jeunes tels que les adolescents

• Dans pclass3, le rapport des morts et des vivants est à peu près le même dans les années 30, mais dans pclass2, le rapport des morts est élevé.
• Dans pclass1, le pourcentage de morts est significativement plus élevé chez les personnes dans la cinquantaine et plus.

Vous pouvez voir diverses choses telles que.

exemple de swarmplot

Bien sûr, vous pouvez faire la même chose avec Swarm Lot.

python

fig,ax=plt.subplots()
sns.swarmplot(data=df, x='pclass', y='age',hue="alive",dodge=True, ax=ax)
ax.legend(loc='upper left',bbox_to_anchor=(1.05,1))
handler, label = ax.get_legend_handles_labels()
ax.legend(handler, ["dead","alive"],loc='upper left',bbox_to_anchor=(1.05,1))

Résumé

• Lors du traçage avec seaborn, le contenu de la colonne devient des étiquettes
• Vous pouvez librement modifier l'étiquette en obtenant la poignée et en la spécifiant directement.

Article de référence

Python: essayez la visualisation avec seaborn https://blog.amedama.jp/entry/seaborn-plot