Bu yazımızda nasıl bir site oluşturabileceğimizi tartışacağız. sayım grafiği Seaborn kütüphanesinin kullanımı ve veri setimizin özelliklerinden sonuçlar çıkarmak için farklı parametrelerin nasıl kullanılabileceği.
Denizden doğan kütüphane
Seaborn kütüphanesi veri analistleri arasında yaygın olarak kullanılmaktadır; içerdiği grafiklerin galaksisi, verilerimizin mümkün olan en iyi temsilini sağlar.
Seaborn kütüphanesi aşağıdakiler kullanılarak çalışma ortamımıza aktarılabilir:
import seaborn as sns
Şimdi neden countplot kullandığımızı ve parametrelerinin önemini tartışalım.
Sayım grafiği
Sayım grafiği, kategorik değişkende mevcut olan gözlemin oluşumunu (sayılarını) temsil etmek için kullanılır.
Görsel tasvir için çubuk grafik kavramını kullanır.
Parametreler-
Sayım grafiği oluşturduğumuzda aşağıdaki parametreler belirtilir, kısaca onlar hakkında fikir sahibi olalım:
Şimdi niteliklerimizi temsil etmenin farklı yollarının neler olduğunu görelim.
İlk örnekte tek bir değişken için sayım grafiği oluşturacağız. Aynısını uygulamak için veri kümesi 'ipuçlarını' aldık.
Java için
1. Tek bir değişken için değer önemlidir
Örnek -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex',data=df) plt.show()
Çıktı:
Bir sonraki örnekte hue parametresini kullanacağız ve bir sayım grafiği oluşturacağız.
Aşağıdaki program aynı şeyi göstermektedir.
2. Hue parametresini kullanarak iki kategorik değişkeni temsil etme
Örnek -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex',hue='smoker',data=df) plt.show()
Çıktı:
Bir sonraki örnekte y eksenini dikkate alacağız ve yatay bir sayım grafiği oluşturacağız.
js'de boş değil
Aşağıdaki program aynı şeyi göstermektedir.
3. Yatay Grafikler Oluşturma
Örnek -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(y='sex',hue='smoker',data=df) plt.show()
Çıktı:
Şimdi renk paletlerinin verilerimizin sunumunu nasıl geliştirebileceğine bir göz atalım.
Bir sonraki örnekte 'palet' parametresini kullanacağız.
Aşağıdaki program aynı şeyi göstermektedir.
4. Renk paletlerini kullanma
Giriş-
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'tips' df=pd.read_csv('/content/tips.csv') #plotting the graph sns.countplot(x='sex', data=df, palette='Set1') plt.show()
Çıktı:
Bir sonraki örnekte color parametresini kullanacağız ve nasıl çalıştığını görelim.
Aşağıdaki program aynı şeyi göstermektedir.
5. 'Renk' parametresinin kullanılması
Örnek -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') #plotting the graph sns.countplot(x='Pclass',hue='Sex', data=df, color='green') plt.show()
Çıktı:
Şimdi 'doygunluk' parametresini kullanacağız ve bunun verilerimizin temsilini nasıl etkilediğini göreceğiz.
Aşağıdaki program aynı şeyi göstermektedir.
arayüz nedir
6. 'Doygunluk' parametresinin kullanılması
Örnek -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') #plotting the graph sns.countplot(x='Pclass',data=df, color='green', saturation=0.1) plt.show()
Çıktı:
Ve son olarak son örnekte parametreleri kullanacağız hat genişliği Ve kenar rengi.
Örnek -
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd #loading the dataset 'train' df=pd.read_csv('/content/train.csv') sns.countplot(x='Sex', data=df, color='green', facecolor=(0,0,0,0), linewidth=5, edgecolor=sns.color_palette('BrBG',2)) plt.show()
Çıktı: