Seaborn es una biblioteca que se utiliza principalmente para el trazado estadístico en Python. Está construido sobre Matplotlib y proporciona hermosos estilos predeterminados y paletas de colores para hacer que los gráficos estadísticos sean más atractivos.
En este tutorial, aprenderemos sobre Python Seaborn desde lo básico para avanzar utilizando un gran conjunto de datos de conceptos básicos y diferentes gráficos de seaborn que se pueden trazar.
Tabla de contenidos
¡¡Artículos recientes sobre Seaborn!!
Empezando
En primer lugar, instalemos Seaborn. Seaborn se puede instalar usando el pip. Escriba el siguiente comando en la terminal.
pip install seaborn
En la terminal, se verá así:
Una vez completada la instalación, recibirá un mensaje de instalación exitosa al final de la terminal, como se muestra a continuación.
Nota: Seaborn tiene las siguientes dependencias:
- Python 2.7 o 3.4+
- entumecido
- espía
- pandas
- matplotlib
Después de la instalación, veamos un ejemplo de una trama simple usando Seaborn. Trazaremos un diagrama de línea simple utilizando el conjunto de datos del iris. El conjunto de datos de Iris contiene cinco columnas, como Longitud de pétalo, Ancho de pétalo, Longitud de sépalo, Ancho de sépalo y Tipo de especie. Iris es una planta con flores, los investigadores midieron varias características de las diferentes flores de iris y las registraron digitalmente.
Ejemplo:
Python3
# importing packages
import seaborn as sns
# loading dataset
data = sns.load_dataset("iris")
# draw lineplot
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
Producción:
En el ejemplo anterior, se crea un diagrama de líneas simple utilizando el método lineplot(). No se preocupe por estas funciones, ya que las analizaremos en detalle en las siguientes secciones. Ahora, después de pasar por un ejemplo simple, veamos una breve introducción sobre Seaborn. Consulte los siguientes artículos para obtener información detallada sobre el mismo.
En la introducción, debe haber leído que Seaborn está construido sobre Matplotlib. Significa que Seaborn se puede usar con Matplotlib.
Usando Seaborn con Matplotlib
Usar tanto Matplotlib como Seaborn juntos es un proceso muy simple. Solo tenemos que invocar la función Seaborn Plotting normalmente y luego podemos usar la función de personalización de Matplotlib.
Ejemplo 1: usaremos el ejemplo anterior y agregaremos el título a la trama usando Matplotlib.
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
# draw lineplot
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# setting the title using Matplotlib
plt.title('Title using Matplotlib Function')
plt.show()
Producción:
Ejemplo 2: configuración de xlim e ylim
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
# draw lineplot
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# setting the x limit of the plot
plt.xlim(5)
plt.show()
Producción:
Personalización de parcelas marinas
Seaborn viene con algunos temas personalizados y una interfaz de alto nivel para personalizar el aspecto de los gráficos. Considere el ejemplo anterior donde se usa el valor predeterminado de Seaborn. Todavía se ve bien y bonito, pero podemos personalizar el gráfico según nuestras propias necesidades. Entonces, veamos el estilo de las tramas en detalle.
Figura cambiante estética
El método set_style() se usa para establecer la estética de la trama. Significa que afecta cosas como el color de los ejes, si la cuadrícula está activa o no, u otros elementos estéticos. Hay cinco temas disponibles en Seaborn.
- cuadrícula oscura
- rejilla blanca
- oscuro
- blanco
- garrapatas
Sintaxis:
set_style(estilo=Ninguno, rc=Ninguno)
Ejemplo: Uso del tema oscuro
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
# draw lineplot
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# changing the theme to dark
sns.set_style("dark")
plt.show()
Producción:
Eliminación de espinas
Las espinas son las líneas que señalan los límites de los datos y conectan las marcas de graduación del eje. Se puede eliminar usando el método despine().
Sintaxis:
sns.despine(izquierda = Verdadero)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
# draw lineplot
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# Removing the spines
sns.despine()
plt.show()
Producción:
Cambiar el tamaño de la figura
El tamaño de la figura se puede cambiar usando el método figure() de Matplotlib. El método figure() crea una nueva figura del tamaño especificado pasado en el parámetro figsize .
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
# changing the figure size
plt.figure(figsize = (2, 4))
# draw lineplot
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# Removing the spines
sns.despine()
plt.show()
Producción:
Escalando las parcelas
Se puede hacer usando el método set_context(). Nos permite anular los parámetros predeterminados. Esto afecta cosas como el tamaño de las etiquetas, las líneas y otros elementos de la trama, pero no el estilo general. El contexto base es «cuaderno», y los otros contextos son «papel», «hablar» y «cartel». font_scale establece el tamaño de fuente.
Sintaxis:
set_context(contexto=Ninguno, font_scale=1, rc=Ninguno)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
# draw lineplot
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# Setting the scale of the plot
sns.set_context("paper")
plt.show()
Producción:
Configurar el estilo temporalmente
El método axes_style() se usa para establecer el estilo temporalmente. Se utiliza junto con la sentencia with .
Sintaxis:
axes_style(estilo=Ninguno, rc=Ninguno)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
def plot():
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
with sns.axes_style('darkgrid'):
# Adding the subplot
plt.subplot(211)
plot()
plt.subplot(212)
plot()
Producción:
Consulte el siguiente artículo para obtener información detallada sobre cómo diseñar Seaborn Plot.
Paleta de color
Los mapas de colores se utilizan para visualizar parcelas de forma eficaz y sencilla. Uno podría usar diferentes tipos de mapas de colores para diferentes tipos de gráficos. El método color_palette() se usa para dar colores a la trama. Otra función, palplot() , se usa para manejar las paletas de colores y traza la paleta de colores como una array horizontal.
Ejemplo:
Python3
# importing packages import seaborn as sns import matplotlib.pyplot as plt # current colot palette palette = sns.color_palette() # plots the color palette as a # horizontal array sns.palplot(palette) plt.show()
Producción:
Paleta de colores divergentes
Este tipo de paleta de colores utiliza dos colores diferentes donde cada color representa diferentes puntos que van desde un punto común en cualquier dirección. Considere un rango de -10 a 10 para que el valor de -10 a 0 tome un color y los valores de 0 a 10 tomen otro.
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# current colot palette
palette = sns.color_palette('PiYG', 11)
# diverging color palette
sns.palplot(palette)
plt.show()
Producción:
En el ejemplo anterior, hemos utilizado una paleta de colores divergentes incorporada que muestra 11 puntos de color diferentes. El color de la izquierda muestra el color rosa y el color de la derecha muestra el color verde.
Paleta de colores secuencial
Se utiliza una paleta secuencial donde la distribución varía de un valor más bajo a un valor más alto. Para hacer esto, agregue el carácter ‘s’ al color pasado en la paleta de colores.
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# current colot palette
palette = sns.color_palette('Greens', 11)
# sequential color palette
sns.palplot(palette)
plt.show()
Producción:
Configuración de la paleta de colores predeterminada
El método set_palette() se utiliza para establecer la paleta de colores predeterminada para todos los gráficos. Los argumentos para color_palette() y set_palette() son los mismos. set_palette() cambia los parámetros predeterminados de matplotlib.
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
def plot():
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# setting the default color palette
sns.set_palette('vlag')
plt.subplot(211)
# plotting with the color palette
# as vlag
plot()
# setting another default color palette
sns.set_palette('Accent')
plt.subplot(212)
plot()
plt.show()
Producción:
Consulte el siguiente artículo para obtener información detallada sobre la paleta de colores.
Múltiples parcelas con Seaborn
Es posible que haya visto varias tramas en los ejemplos anteriores y que algunos de ustedes se hayan confundido. No se preocupe, cubriremos varias parcelas en esta sección. También se pueden crear múltiples gráficos en Seaborn usando Matplotlib, así como Seaborn también proporciona algunas funciones para el mismo.
Usando Matplotlib
Matplotlib proporciona varias funciones para trazar subparcelas. Algunos de ellos son add_axes() , subplot( ) y subplot2grid() . Veamos un ejemplo de cada función para una mejor comprensión.
Ejemplo 1: Usando el método add_axes()
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
def graph():
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# Creating a new figure with width = 5 inches
# and height = 4 inches
fig = plt.figure(figsize =(5, 4))
# Creating first axes for the figure
ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])
# plotting the graph
graph()
# Creating second axes for the figure
ax2 = fig.add_axes([0.5, 0.5, 0.3, 0.3])
# plotting the graph
graph()
plt.show()
Producción:
Ejemplo 2: Uso del método subplot()
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
def graph():
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# Adding the subplot at the specified
# grid position
plt.subplot(121)
graph()
# Adding the subplot at the specified
# grid position
plt.subplot(122)
graph()
plt.show()
Producción:
Ejemplo 3: Usar el método subplot2grid()
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
def graph():
sns.lineplot(x="sepal_length", y="sepal_width", data=data)
# adding the subplots
axes1 = plt.subplot2grid (
(7, 1), (0, 0), rowspan = 2, colspan = 1)
graph()
axes2 = plt.subplot2grid (
(7, 1), (2, 0), rowspan = 2, colspan = 1)
graph()
axes3 = plt.subplot2grid (
(7, 1), (4, 0), rowspan = 2, colspan = 1)
graph()
Producción:
Usando Seaborn
Seaborn también proporciona algunas funciones para trazar múltiples parcelas. Veámoslos en detalle
Método 1: Usar el método FacetGrid()
- La clase FacetGrid ayuda a visualizar la distribución de una variable, así como la relación entre múltiples variables por separado dentro de subconjuntos de su conjunto de datos usando múltiples paneles.
- ¿Se puede dibujar un FacetGrid con hasta tres dimensiones? fila, columna y tono. Los dos primeros tienen una correspondencia obvia con el conjunto de ejes resultante; Piense en la variable de matiz como una tercera dimensión a lo largo de un eje de profundidad, donde los diferentes niveles se trazan con diferentes colores.
- El objeto FacetGrid toma un marco de datos como entrada y los nombres de las variables que formarán las dimensiones de fila, columna o tono de la cuadrícula. Las variables deben ser categóricas y los datos en cada nivel de la variable se utilizarán para una faceta a lo largo de ese eje.
Sintaxis:
seaborn.FacetGrid(datos, \*\*kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
plot = sns.FacetGrid(data, col="species")
plot.map(plt.plot, "sepal_width")
plt.show()
Producción:
Método 2: Usar el método PairGrid()
- Cuadrícula de subparcelas para trazar relaciones por pares en un conjunto de datos.
- Esta clase asigna cada variable en un conjunto de datos a una columna y fila en una cuadrícula de varios ejes. Se pueden usar diferentes funciones de trazado a nivel de ejes para dibujar gráficos bivariados en los triángulos superior e inferior, y la distribución marginal de cada variable se puede mostrar en la diagonal.
- También puede representar un nivel adicional de convencionalización con el parámetro de tono, que traza diferentes subconjuntos de datos en diferentes colores. Esto usa el color para resolver elementos en una tercera dimensión, pero solo dibuja subconjuntos uno encima del otro y no adaptará el parámetro de tono para la visualización específica de la forma en que lo harán las funciones de nivel de eje que aceptan el tono.
Sintaxis:
seaborn.PairGrid(datos, \*\*kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("flights")
plot = sns.PairGrid(data)
plot.map(plt.plot)
plt.show()
Producción:
Consulte los artículos a continuación para obtener información detallada sobre las múltiples parcelas
Creación de diferentes tipos de parcelas
Gráficos relacionales
Los gráficos relacionales se utilizan para visualizar la relación estadística entre los puntos de datos. La visualización es necesaria porque le permite al ser humano ver tendencias y patrones en los datos. El proceso de comprender cómo las variables en el conjunto de datos se relacionan entre sí y sus relaciones se denomina análisis estadístico. Consulte los siguientes artículos para obtener información detallada.
Hay diferentes tipos de gráficos relacionales. Discutiremos cada uno de ellos en detalle:
Relplot()
Esta función nos proporciona acceso a otras funciones a nivel de ejes diferentes que muestran las relaciones entre dos variables con asignaciones semánticas de subconjuntos. Se grafica usando el método relplot() .
Sintaxis:
seaborn.relplot(x=Ninguno, y=Ninguno, data=Ninguno, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
# creating the relplot
sns.relplot(x='sepal_width', y='species', data=data)
plt.show()
Producción:
Gráfico de dispersión
El diagrama de dispersión es un pilar de la visualización estadística. Representa la distribución conjunta de dos variables usando una nube de puntos, donde cada punto representa una observación en el conjunto de datos. Esta representación permite al ojo inferir una cantidad sustancial de información sobre si existe alguna relación significativa entre ellos. Se grafica usando el método scatterplot() .
Sintaxis:
seaborn.scatterplot(x=Ninguno, y=Ninguno, data=Ninguno, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.scatterplot(x='sepal_length', y='sepal_width', data=data)
plt.show()
Producción:
Consulte los artículos a continuación para obtener información detallada sobre el diagrama de dispersión.
- Diagrama de dispersión usando Seaborn en Python
- Visualización de relaciones entre variables con diagramas de dispersión en Seaborn
- ¿Cómo hacer un diagrama de dispersión con una línea de regresión usando Seaborn en Python?
- Gráfico de dispersión con histogramas marginales en Python con Seaborn
Gráfico de línea
Para determinados conjuntos de datos, es posible que desee considerar los cambios como una función del tiempo en una variable o como una variable continua similar. En este caso, dibujar un gráfico de líneas es una mejor opción. Se grafica usando el método lineplot() .
Sintaxis:
seaborn.lineplot(x=Ninguno, y=Ninguno, data=Ninguno, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.lineplot(x='sepal_length', y='species', data=data)
plt.show()
Producción:
Consulte los siguientes artículos para obtener información detallada sobre el diagrama de líneas.
- método seaborn.lineplot() en Python
- Visualización de datos con gráfico de líneas Seaborn
- Creación de una trama de serie temporal con Seaborn y Pandas
- ¿Cómo hacer un gráfico de serie temporal con promedio móvil en Python?
Parcelas categóricas
Los gráficos categóricos se utilizan cuando tenemos que visualizar la relación entre dos valores numéricos. Se puede utilizar un enfoque más especializado si una de las variables principales es categórica , es decir, aquellas variables que toman un número fijo y limitado de valores posibles.
Consulte los siguientes artículos para obtener información detallada.
Hay varios tipos de gráficos categóricos, analicemos cada uno de ellos en detalle.
Parcela de barra
Un gráfico de barras se usa básicamente para agregar los datos categóricos de acuerdo con algunos métodos y, de forma predeterminada, es la media. También puede entenderse como una visualización del grupo por acción. Para usar este gráfico, elegimos una columna categórica para el eje x y una columna numérica para el eje y y vemos que crea un gráfico tomando una media por columna categórica. Se puede crear utilizando el método barplot() .
Sintaxis:
barplot([x, y, tono, datos, orden, tono_orden, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.barplot(x='species', y='sepal_length', data=data)
plt.show()
Producción:
Consulte el siguiente artículo para obtener información detallada sobre el tema.
- Método Seaborn.barplot() en Python
- Barplot usando seaborn en Python
- Seaborn – Ordenar barras en Barplot
Parcela de conteo
Un gráfico de recuento básicamente cuenta las categorías y devuelve un recuento de sus ocurrencias. Es una de las tramas más sencillas que ofrece la biblioteca marina. Se puede crear utilizando el método countplot() .
Sintaxis:
countplot([x, y, matiz, datos, orden, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.countplot(x='species', data=data)
plt.show()
Producción:
Consulte los artículos a continuación para obtener información detallada sobre el gráfico de conteo.
diagrama de caja
Un diagrama de caja a veces se conoce como diagrama de caja y bigotes. Muestra la distribución de los datos cuantitativos que representan las comparaciones entre variables. boxplot muestra los cuartiles del conjunto de datos mientras que los bigotes se extienden para mostrar el resto de la distribución, es decir, los puntos que indican la presencia de valores atípicos. Se crea utilizando el método boxplot() .
Sintaxis:
diagrama de caja ([x, y, tono, datos, orden, tono_orden, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.boxplot(x='species', y='sepal_width', data=data)
plt.show()
Producción:
Consulte los siguientes artículos para obtener información detallada sobre el diagrama de caja.
- Diagrama de caja usando Seaborn en Python
- Diagramas de caja horizontales con Seaborn en Python
- ¿Cómo usar la paleta de colores Seaborn para colorear el diagrama de caja?
- Seaborn: colorear diagramas de caja con paletas
- ¿Cómo mostrar la media en Boxplot usando Seaborn en Python?
- Ordenar diagrama de caja por media con Seaborn en Python
- ¿Cómo ordenar manualmente Boxplot en Seaborn?
- Diagramas de caja agrupados en Python con Seaborn
- Diagramas de caja horizontales con puntos usando Seaborn en Python
- ¿Cómo hacer diagramas de caja con puntos de datos usando Seaborn en Python?
- Visualización de diagramas de caja con Pandas y Seaborn
Trama de violín
Es similar al diagrama de caja, excepto que proporciona una visualización superior y más avanzada y utiliza la estimación de la densidad del núcleo para ofrecer una mejor descripción de la distribución de datos. Se crea utilizando el método violinplot() .
Sintaxis:
violinplot([x, y, tono, datos, orden, …]
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.violinplot(x='species', y='sepal_width', data=data)
plt.show()
Producción:
Consulte los artículos a continuación para obtener información detallada sobre la trama del violín.
- Violinplot usando Seaborn en Python
- ¿Cómo hacer un diagrama de violín horizontal con Seaborn en Python?
- Hacer Violinplot con puntos de datos usando Seaborn
- ¿Cómo hacer Violinpot con puntos de datos en Seaborn?
- ¿Cómo hacer un diagrama de violín agrupado con Seaborn en Python?
diagrama de franjas
Básicamente crea un diagrama de dispersión basado en la categoría. Se crea utilizando el método stripplot() .
Sintaxis:
stripplot([x, y, tono, datos, orden, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.stripplot(x='species', y='sepal_width', data=data)
plt.show()
Producción:
Consulte los artículos a continuación para obtener información detallada sobre el gráfico de franjas.
diagrama de enjambre
Swarmplot es muy similar a stripplot, excepto por el hecho de que los puntos se ajustan para que no se superpongan. A algunas personas también les gusta combinar la idea de un diagrama de violín y un diagrama de franjas para formar este diagrama. Una desventaja de usar swarmplot es que a veces no se escalan bien a números realmente grandes y requiere mucho cálculo para organizarlos. Entonces, en caso de que queramos visualizar correctamente un diagrama de enjambre, podemos trazarlo encima de un diagrama de violín. Se grafica usando el método swarmplot() .
Sintaxis:
diagrama de enjambre ([x, y, matiz, datos, orden, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.swarmplot(x='species', y='sepal_width', data=data)
plt.show()
Producción:
Consulte los siguientes artículos para obtener información detallada sobre swarmplot.
Diagrama de factores
Factorplot es el más general de todos estos gráficos y proporciona un parámetro llamado tipo para elegir el tipo de gráfico que queremos, ahorrándonos así la molestia de escribir estos gráficos por separado. El parámetro de tipo puede ser barra, violín, enjambre, etc. Se grafica usando el método factorplot() .
Sintaxis:
sns.factorplot([x, y, tono, datos, fila, columna, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.factorplot(x='species', y='sepal_width', data=data)
plt.show()
Consulte los siguientes artículos para obtener información detallada sobre la gráfica de factores.
- Python – método seaborn.factorplot()
- Trazado de diferentes tipos de gráficos usando Factor plot en seaborn
Parcelas de Distribución
Los diagramas de distribución se utilizan para examinar distribuciones univariadas y bivariadas, es decir, distribuciones que involucran una variable o dos variables discretas.
Consulte el siguiente artículo para obtener información detallada sobre las parcelas de distribución.
Hay varios tipos de parcelas de distribución, analicemos cada una de ellas en detalle.
Histograma
Un histograma se utiliza básicamente para representar los datos proporcionados en forma de algunos grupos. Es un método preciso para la representación gráfica de la distribución de datos numéricos. Se puede trazar utilizando la función histplot() .
Sintaxis:
histplot(data=Ninguno, *, x=Ninguno, y=Ninguno, hue=Ninguno, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.histplot(x='species', y='sepal_width', data=data)
plt.show()
Producción:
Consulte los siguientes artículos para obtener información detallada sobre histplot.
- ¿Cómo hacer histogramas con gráficas de densidad con histplot de Seaborn?
- ¿Cómo agregar contorno o color de borde al histograma en Seaborn?
- Gráfico de dispersión con histogramas marginales en Python con Seaborn
Distplot
Distplot se usa básicamente para un conjunto univariante de observaciones y lo visualiza a través de un histograma, es decir, solo una observación y, por lo tanto, elegimos una columna particular del conjunto de datos. Se encapsula usando el método distplot() .
Sintaxis:
distplot(a[, bins, hist, kde, rug, fit, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.distplot(data['sepal_width'])
plt.show()
Producción:
Parcela conjunta
Jointplot se utiliza para dibujar un gráfico de dos variables con gráficos bivariados y univariados. Básicamente combina dos tramas diferentes. Se grafica usando el método jointplot() .
Sintaxis:
diagrama conjunto (x, y [, datos, tipo, stat_func, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.jointplot(x='species', y='sepal_width', data=data)
plt.show()
Producción:
Consulte los siguientes artículos para obtener información detallada sobre el tema.
Diagrama de pares
Pairplot representa una relación por pares en todo el marco de datos y admite un argumento adicional llamado matiz para la separación categórica. Básicamente, lo que hace es crear un gráfico conjunto entre todas las columnas numéricas posibles y lleva un tiempo si el marco de datos es realmente enorme. Se grafica usando el método pairplot() .
Sintaxis:
parplot(datos[, tono, orden_tono, paleta, …])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.pairplot(data=data, hue='species')
plt.show()
Producción:
Consulte los artículos a continuación para obtener información detallada sobre el diagrama de pares.
diagrama de alfombra
Rugplot traza puntos de datos en una array como palos en un eje. Al igual que un distplot, toma una sola columna. En lugar de dibujar un histograma, crea guiones en todo el gráfico. Si lo compara con el gráfico conjunto, puede ver que lo que hace un gráfico conjunto es que cuenta los guiones y los muestra como contenedores. Se grafica usando el método rugplot() .
Sintaxis:
rugplot(a[, altura, eje, hacha])
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.rugplot(data=data)
plt.show()
Producción:
Parcela KDE
El gráfico de KDE descrito como estimación de la densidad del núcleo se utiliza para visualizar la densidad de probabilidad de una variable continua. Representa la densidad de probabilidad en diferentes valores en una variable continua. También podemos trazar un solo gráfico para múltiples muestras, lo que ayuda a una visualización de datos más eficiente.
Sintaxis:
seaborn.kdeplot(x=Ninguno, *, y=Ninguno, vertical=Falso, palette=Ninguno, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("iris")
sns.kdeplot(x='sepal_length', y='sepal_width', data=data)
plt.show()
Producción:
Consulte los siguientes artículos para obtener información detallada sobre el tema.
Gráficos de regresión
Los gráficos de regresión están destinados principalmente a agregar una guía visual que ayude a enfatizar patrones en un conjunto de datos durante los análisis de datos exploratorios. Los gráficos de regresión, como sugiere el nombre, crean una línea de regresión entre dos parámetros y ayudan a visualizar sus relaciones lineales.
Consulte el siguiente artículo para obtener información detallada sobre los gráficos de regresión.
hay dos funciones principales que se utilizan para dibujar modelos de regresión lineal. Estas funciones son lmplot() y reregplot(), están estrechamente relacionadas entre sí. Incluso comparten su funcionalidad principal.
lmplot
El método lmplot() puede entenderse como una función que básicamente crea un diagrama de modelo lineal. Crea un gráfico de dispersión con un ajuste lineal encima.
Sintaxis:
seaborn.lmplot(x, y, data, hue=Ninguno, col=Ninguno, fila=Ninguno, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("tips")
sns.lmplot(x='total_bill', y='tip', data=data)
plt.show()
Producción:
Consulte los siguientes artículos para obtener información detallada sobre lmplot.
registro
El método replot() también es similar a lmplot, que crea un modelo de regresión lineal.
Sintaxis:
seaborn.regplot(x, y, data=Ninguno, x_estimator=Ninguno, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("tips")
sns.regplot(x='total_bill', y='tip', data=data)
plt.show()
Producción:
Consulte los artículos a continuación para obtener información detallada sobre regplot.
Nota: La diferencia entre ambas funciones es que regplot acepta las variables x, y en diferentes formatos, incluidas arrays NumPy, objetos Pandas, mientras que lmplot solo acepta el valor como strings.
Gráficos de array
Un gráfico de array significa trazar datos de array donde los diagramas codificados por colores muestran datos de filas, datos de columnas y valores. Se puede mostrar usando el mapa de calor y el mapa de clústeres.
Consulte los artículos a continuación para obtener información detallada sobre los gráficos de array.
Mapa de calor
El mapa de calor se define como una representación gráfica de datos que utiliza colores para visualizar el valor de la array. En este, para representar valores más comunes o actividades mayores se utilizan colores más brillantes básicamente colores rojizos y para representar valores menos comunes o de actividad se prefieren colores más oscuros. se puede trazar usando la función heatmap() .
Sintaxis:
seaborn.heatmap(data, *, vmin=Ninguno, vmax=Ninguno, cmap=Ninguno, center=Ninguno, annot_kws=Ninguno, linewidths=0, linecolor=’white’, cbar=True, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("tips")
# correlation between the different parameters
tc = data.corr()
sns.heatmap(tc)
plt.show()
Producción:
Consulte los siguientes artículos para obtener información detallada sobre el mapa de calor.
- Mapa de calor de Seaborn: una guía completa
- ¿Cómo crear un mapa de calor de correlación marino en Python?
- ¿Cómo crear un mapa de calor de correlación de triángulos en seaborn – Python?
- ColorMaps en Seaborn HeatMaps
- ¿Cómo cambiar el tamaño de la barra de colores de una figura de mapa de calor nacida en el mar en Python?
- ¿Cómo agregar un marco a una figura de mapa de calor nacida en el mar en Python?
- ¿Cómo aumentar el tamaño de las anotaciones de un mapa de calor marino en Python?
Mapa de clústeres
La función clustermap() de seaborn traza el mapa de calor agrupado jerárquicamente del conjunto de datos de array dado. La agrupación simplemente significa agrupar datos en función de la relación entre las variables de los datos.
Sintaxis:
clustermap(datos, *, pivot_kws=Ninguno, **kwargs)
Ejemplo:
Python3
# importing packages
import seaborn as sns
import matplotlib.pyplot as plt
# loading dataset
data = sns.load_dataset("tips")
# correlation between the different parameters
tc = data.corr()
sns.clustermap(tc)
plt.show()
Producción:
Consulte los artículos a continuación para obtener información detallada sobre clustermap.
- Mapa de calor agrupado jerárquicamente en Python con Seaborn Clustermap
- Explorando la correlación en Python
Más brechas en Seaborn
- Seaborn – Diagrama de burbujas
- Python – método seaborn.residplot()
- Python – método seaborn.boxenplot()
- Python – método seaborn.pointplot()
- Python Seaborn – Catplot
- ¿Cómo hacer Countplot o barplot con Seaborn Catplot?
- ¿Cómo hacer un diagrama de caja agrupado con Seaborn Catplot?
- Python Seaborn: ilustración gráfica de tiras usando Catplot
- ¿Cómo hacer diagramas de facetas simples con Seaborn Catplot en Python?
- ¿Cómo hacer un gráfico de Ridgeline en Python con Seaborn?
Más temas sobre Seaborn
- Cambie las etiquetas de los ejes, establezca el título y el tamaño de la figura en las parcelas con Seaborn
- ¿Cómo colocar la leyenda fuera de la trama con Seaborn en Python?
- ¿Cómo trazar un intervalo de confianza en Python?
- Creación de una trama de serie temporal con Seaborn y Pandas
- ¿Cómo hacer un gráfico de serie temporal con promedio móvil en Python?
- ¿Cómo agregar una línea de regresión por grupo con Seaborn en Python?
- Visualización de datos con Python Seaborn y Pandas
- Visualización de datos en Python usando Matplotlib y Seaborn
- Visualización de conjuntos de datos de ML a través de gráficos Seaborn y Matplotlib
Publicación traducida automáticamente
Artículo escrito por GeeksforGeeks-1 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA