Diagrama lineal usando Seaborn en Python

Seaborn es una increíble biblioteca de visualización para el trazado de gráficos estadísticos en Python. Proporciona estilos predeterminados y paletas de colores para que los gráficos estadísticos sean más atractivos. Está construido sobre la biblioteca matplotlib y también está estrechamente integrado en las estructuras de datos de pandas.

diagrama de línea

La representación visual de un conjunto de datos debe elegirse de acuerdo con el conjunto de datos o el tipo de respuesta que queremos de la gráfica. Los diagramas de dispersión son los preferidos para visualizar relaciones estadísticas. Pero cuando se trata de datos que varían con el tiempo (o variables continuas), los diagramas de dispersión no son una buena opción. En cambio, en Seaborn, se debe preferir lineplot() o relplot() con kind = ‘line’. Los gráficos de líneas dan anotaciones a cada uno de los puntos y además ayudan a personalizar los marcadores, el estilo de línea y las leyendas.

Sintaxis: seaborn.lineplot(x=Ninguno, y=Ninguno, hue=Ninguno, tamaño=Ninguno, estilo=Ninguno, datos=Ninguno, palette=Ninguno, hue_order=Ninguno, hue_norm=Ninguno, tamaños=Ninguno, size_order=Ninguno, size_norm=Ninguno, guiones=Verdadero, marcadores=Ninguno, style_order=Ninguno, unidades=Ninguno, estimador=’media’, ci=95, n_boot=1000, semilla=Ninguno, ordenar=Verdadero, err_style=’banda’, err_kws= Ninguno, leyenda=’breve’, ax=Ninguno, **kwargs)
Parámetros:  
x, y: Variables de datos de entrada; debe ser numérico. 
data: Dataframe donde cada columna es una variable y cada fila es una observación. 
tamaño: variable de agrupación que producirá líneas con diferentes anchos. 
estilo: variable de agrupación que producirá líneas con diferentes guiones y/o marcadores. 

Ejemplo 1: Tomemos un ejemplo de conjunto de datos FMRI. Es un ejemplo de datos de series de tiempo, donde las variables son una función del tiempo. Este conjunto de datos está disponible incorporado y se puede acceder mediante load_dataset() y no es necesario descargarlo por separado.
 

# import libraries
import seaborn as sns
 
# load dataset
fmri = sns.load_dataset("fmri")

Puede haber varias medidas de la misma variable. Entonces podemos trazar la media de todos los valores de x y el intervalo de confianza del 95% alrededor de la media. Este comportamiento de agregación es por defecto en seaborn. 

# plotting lineplot for signal with respect to timepoint
# using relplot, kind = "line"
# code added by devanshigupta1304
sns.lineplot( x = "timepoint",
             y = "signal",
             data = fmri);

Producción-

Ejemplo 2: Crear un diagrama de líneas múltiples utilizando parámetros de tono.

sns.lineplot( x = "timepoint",
             y = "signal",
             hue = "region",
             data = fmri);

Producción:

Ejemplo 3: Creación de gráficos de líneas múltiples utilizando parámetros de estilo.

sns.lineplot( x = "timepoint",
             y = "signal",
             hue = "region",
             style = "event",
             data = fmri);

Producción:

Ejemplo 4: creación de gráficos de líneas múltiples utilizando parámetros de tamaño. Podemos usar atributos de tamaño para cambiar el patrón de línea.

sns.lineplot( x = "timepoint",
             y = "signal",
             size = "event",
             data = fmri);

Producción:

Ejemplo 5: Agrupación de puntos de datos en función de la categoría, aquí como región y evento. Podemos agregarlos como semántica de tono y estilo. Esto cambiará el patrón de línea por defecto.

# code added by devanshigupta1304
# using relplot with kind = "line"
# adding style and hue semantic
sns.relplot( x = "timepoint",
            y = "signal",
            hue = "region", style = "event",
            kind = "line", data = fmri);

Producción:
 

Ejemplo 6: También podemos representar la desviación estándar en lugar del intervalo de confianza en cada punto de tiempo, para un conjunto de datos grande, ya que puede consumir mucho tiempo. 

# code added by devanshigupta1304
# plotting lineplot for signal with respect to timepoint
# using relplot, kind = "line"
# using standard deviation instead of confidence interval
sns.relplot(x = "timepoint", y = "signal",
            kind = "line", ci = "sd",
            data = fmri);

Producción –
 

Ejemplo 7: podemos usar estilo y tono con diferentes columnas en un conjunto de datos.

# using lineplot with style = column_name
# adding style and hue semantic
sns.lineplot(x = "timepoint", y = "signal",
             hue = "subject",style = "event",
             data = fmri);

Producción:

Ejemplo 8: uso de atributos de paleta

# using lineplot
# adding palette, style and hue semantic
sns.lineplot( x = "timepoint", y = "signal",
             hue = "subject", style = "event",
             palette = "YlOrRd_r", data = fmri);

Producción:

Ejemplo 9: Adición de una barra de error en un diagrama de líneas usando los atributos err_style.

sns.lineplot( x = "timepoint",
             y = "signal",
             data = fmri,
             err_style="bars");

Producción: