Seaborn es una biblioteca de visualización de datos de Python basada en Matplotlib. Proporciona una interfaz de alto nivel para dibujar gráficos estadísticos atractivos e informativos. Hay algo extraordinario en una visualización bien diseñada. Los colores se destacan, las capas se combinan muy bien, los contornos fluyen por todas partes y el paquete general no solo tiene una buena calidad estética, sino que también nos brinda información significativa.
método seaborn.barplot()
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.
Sintaxis: seaborn.barplot(x=Ninguno, y=Ninguno, hue=Ninguno, data=Ninguno, order=Ninguno, hue_order=Ninguno, estimador=<función media en 0x000002BC3EB5C4C8>, ci=95, n_boot=1000, units=Ninguno , orient=Ninguno, color=Ninguno, palette=Ninguno, saturación=0.75, errcolor=’.26′, errwidth=Ninguno, capsize=Ninguno, dodge=True, ax=Ninguno, **kwargs,)
Parámetros:
| Argumentos | Valor | Descripción |
|---|---|---|
| x, y, matiz | nombres de variables en «datos» o datos vectoriales, opcional | Entradas para trazar datos de formato largo. Ver ejemplos para la interpretación. |
| datos | DataFrame, array o lista de arrays, opcional | Conjunto de datos para el trazado. Si «x» e «y» están ausentes, esto se interpreta como formato ancho. De lo contrario, se espera que sea de formato largo. |
| orden, hue_order | listas de strings, opcional | Orden para trazar los niveles categóricos; de lo contrario, los niveles se deducen de los objetos de datos. |
| estimador | invocable que mapea vector -> escalar, opcional | Función estadística para estimar dentro de cada contenedor categórico. |
| ci | flotante o “sd” o Ninguno, opcional | Tamaño de los intervalos de confianza para dibujar alrededor de los valores estimados. Si es «sd», omita el arranque y dibuje la desviación estándar de las observaciones. Si «Ninguno», no se realizará ningún arranque y no se dibujarán barras de error. |
| n_boot | int, opcional | Número de iteraciones de arranque que se usarán al calcular los intervalos de confianza. |
| unidades | nombre de la variable en «datos» o datos vectoriales, opcional | Identificador de unidades de muestreo, que se utilizará para realizar un bootstrap multinivel y dar cuenta del diseño de medidas repetidas. |
| orientar | “v” | «h», opcional | Orientación de la parcela (vertical u horizontal). Esto generalmente se deduce del tipo de las variables de entrada, pero se puede usar para especificar cuándo la variable «categórica» es numérica o cuando se grafican datos de formato ancho. |
| color | matplotlib color, opcional | Colorea todos los elementos o semilla para una paleta de degradado. |
| paleta | nombre de la paleta, lista o dictado, opcional | Colores a utilizar para los diferentes niveles de la variable “tono”. Debería ser algo que pueda ser interpretado por :func:`color_palette`, o un diccionario que mapee los niveles de tono a los colores matplotlib. |
| saturación | flotador, opcional | Proporción de la saturación original para dibujar colores. Los parches grandes a menudo se ven mejor con colores ligeramente desaturados, pero establezca esto en «1» si desea que los colores de la trama coincidan perfectamente con la especificación de color de entrada. |
| error de color | matplotlib color | Colorea las líneas que representan el intervalo de confianza. |
| ancho de error | flotador, opcional | Grosor de las líneas de barra de error (y mayúsculas). |
| zozobrar | flotador, opcional | Ancho de las «tapas» en las barras de error. |
| esquivar | booleano, opcional | Cuando se utiliza el anidamiento de tonos, si los elementos deben desplazarse a lo largo del eje categórico. |
| hacha | Ejes matplotlib, opcional | Objeto Axes sobre el que dibujar el gráfico; de lo contrario, utiliza los ejes actuales. |
| kwargs | oye, asignaciones de valor | Otros argumentos de palabras clave se pasan a «plt.bar» en el momento del sorteo. |
Se utilizan los siguientes pasos:
- Importar nacido en el mar
- Cargue el conjunto de datos de Seaborn, ya que contiene una buena colección de conjuntos de datos.
- Trazar gráfico de barras usando el método seaborn.barplot().
A continuación se muestra la implementación:
Ejemplo 1:
Python3
# importing the required library
import seaborn as sns
import matplotlib.pyplot as plt
# read a titanic.csv file
# from seaborn library
df = sns.load_dataset('titanic')
# who v/s fare barplot
sns.barplot(x = 'who',
y = 'fare',
data = df)
# Show the plot
plt.show()
Producción:
Ejemplo 2:
Python3
# importing the required library
import seaborn as sns
import matplotlib.pyplot as plt
# read a titanic.csv file
# from seaborn library
df = sns.load_dataset('titanic')
# who v/s fare barplot
sns.barplot(x = 'who',
y = 'fare',
hue = 'class',
data = df)
# Show the plot
plt.show()
Producción:
Ejemplo 3:
Python3
# importing the required library
import seaborn as sns
import matplotlib.pyplot as plt
# read a titanic.csv file
# from seaborn library
df = sns.load_dataset('titanic')
# who v/s fare barplot
sns.barplot(x = 'who',
y = 'fare',
hue = 'class',
data = df,
palette = "Blues")
# Show the plot
plt.show()
Producción:
Ejemplo 4:
Python3
# importing the required library
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# read a titanic.csv file
# from seaborn library
df = sns.load_dataset('titanic')
# who v/s fare barplot
sns.barplot(x = 'who',
y = 'fare',
hue = 'class',
data = df,
estimator = np.median,
ci = 0)
# Show the plot
plt.show()
Producción:
Publicación traducida automáticamente
Artículo escrito por deepanshu_rustagi y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA