Exemple de lieu de paire Python Seaborn

Le lieu de paire de SeaBorn peut être utilisé pour visualiser rapidement les relations multivariables. 1. L'utilisation de base dessine un tracé de dispersion de chaque paire de variables numériques et affiche la distribution de chaque variable en lignes diagonales; 2. Utilisez le paramètre Hue pour colorer par catégorie et distinguer différentes catégories; 3. Utilisez le paramètre diag_kind pour définir le graphique diagonal sur «KDE» ou «HIST»; 4. Utilisez les paramètres de hauteur et d'aspect pour ajuster la taille du sous-graphique; 5. Sélectionnez des variables spécifiques pour dessiner dans le paramètre VARS; Il est recommandé de l'utiliser lorsqu'il y a moins de variables. De grands volumes de données peuvent être combinés avec Plot_KWS pour définir Alpha et S pour optimiser l'effet d'affichage. Cette fonction est un outil efficace et intuitif dans l'analyse des données exploratoires.

pairplot de SeaBorn est une fonction très pratique pour visualiser rapidement la relation entre plusieurs variables dans l'ensemble de données. Il trace un tracé de dispersion (un histogramme ou un tracé de densité sur la diagonale) pour chaque paire de variables numériques, ce qui est idéal pour l'analyse des données exploratoires (EDA).

Voici un exemple complet utilisant seaborn.pairplot en utilisant l'ensemble de données iris intégré:

1. Exemple de bloc de base

 Importer Seaborn comme SNS
Importer Matplotlib.pyplot en tant que plt

# Chargez le jeu de données IRIS intégré iris = sns.load_dataset ('iris')

# Créer un bloc de paire
sns.pairplot (iris)
plt.show ()

Cette image montrera:

• Non-diagonal: dispersion des tracés entre différentes caractéristiques (comme SEPAL_LENGTH VS SEPAL_WIDTH)
• Diagonale: distribution de chaque fonctionnalité (la valeur par défaut est un histogramme)

2. Couleur par catégorie (paramètre Hue)

Si vos données ont des étiquettes de classification, vous pouvez utiliser le paramètre hue pour colorer les différences entre les catégories pour voir plus clairement les différences entre les catégories.

 sns.pairplot (iris, hue = 'espèces')
plt.show ()

De cette façon, différents types d'iris (setosa, versicolor, Virginica) seront affichés en différentes couleurs pour faciliter l'observation des limites de classification.

3. Personnalisez le type de graphique diagonal

Vous pouvez utiliser diag_kind pour modifier le type de graphique sur la diagonale, comme le changer en un graphique de densité:

 sns.pairplot (iris, hue = 'espèces', diag_kind = 'kde')
plt.show ()

Il peut également être défini sur 'hist' pour afficher l'histogramme.

4. Contrôlez la taille et le style des graphiques

Bien que pairplot renvoie un objet PairGrid , vous pouvez redimensionner le sous-graphique par height et aspect :

 sn.pairplot (iris, hue = 'espèces', hauteur = 2,5, aspect = 1,2)
plt.show ()

• height : la hauteur de chaque sous-graphe
• aspect : Ratio d'aspect

5. Dessinez seulement quelques variables

Si vous ne vous souciez que de certaines colonnes, vous pouvez utiliser vars pour sélectionner:

 sns.pairplot (iris, 
             Hue = 'espèces', 
             vars = ['sepal_length', 'sepal_width', 'petal_length'])
plt.show ()

Conseils

• pairplot convient aux ensembles de données avec peu de fonctionnalités (telles que 3 à 6 variables), sinon le graphique sera trop dense.
• Si le volume de données est important (comme des dizaines de milliers de lignes), le tracé de dispersion peut se chevaucher sévèrement. Vous pouvez envisager d'ajouter de la transparence ou d'ajuster les paramètres avec plot_kws :

 sns.pairplot (iris, hue = 'espèce', tracé_kws = {'alpha': 0,7, 's': 15})
plt.show ()

dans:

• alpha : transparence
• s : Taille de dispersion

Fondamentalement, c'est tout. pairplot est un outil très "hors de la boîte" dans EDA. Vous pouvez voir la structure globale et la séparation des classes des données dans quelques lignes de code.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!