Cara menggunakan SEABORN.HISTPLOT pada Python

Seaborn menyediakan banyak bentuk grafik. Setiap bentuk grafik memiliki karakteristik sesuai dengan jenis data yang ingin dianalisis. Pada materi ini, kita diajak untuk mengenal histogram, grafik bar, dan grafik garis atau line chart, karakteristiknya, serta susunan kode masing-masing jenis grafik.

Bar

Bar chart atau grafik batang digunakan untuk melihat frekuensi dari data-data kategori. Bar chart dalam Seaborn menggunakan fungsi barplot().

Muat kembali dataset Titanic. Misal kita ingin melihat frekuensi orang yang selamat berdasarkan kategori laki-laki dewasa, perempuan dewasa, dan anak-anak. Lihat contoh susunan kode di bawah ini.

df = sns.load_dataset("titanic")
sns.barplot(data=df, x = "who", y = "survived", ci=None)

Tampilannya:

Kita dapat membuat bar chart yang lebih kompleks. Kita tak hanya ingin melihat data orang selamat berdasarkan kategori siapa, tapi juga kategori kelas. Lihat susunan kode ini.

df = sns.load_dataset("titanic")
sns.barplot(data=df, x = "who", y = "survived", ci=None)

Tampilannya:

Historgram

Visualisasi histogram juga berbentuk batang. Namun, histogram adalah jenis grafik yang menjelaskan frekuensi berdasarkan dua data numerik. Contohnya, data populasi berdasarkan umur dan jumlah proporsi laki-laki dan perempuan.

Fungsi histogram dalam Seaborn menggunakan histplot(), displot(), atau distplot(), meski distplot() sudah jarang sekali digunakan. Lihat contohnya menggunakan dataset tips di bawah ini.

sns.histplot(df.tip)

Tampilannya:

Mari simak demonstrasi yang lebih kompleks. Kali ini, kita akan menggunakan data penumpang kapal Titanic kembali. Kita ingin menggunakan histogram untuk melihat jumlah orang dengan umur tertentu, tetapi ada perbedaan warna berdasarkan gender. Lihat susunan kode di bawah ini.

Visualisasi data adalah teknik yang dapat digunakan ilmuwan data untuk mengubah data mentah menjadi bagan dan grafik yang memberikan wawasan berharga. Diagram mengurangi kompleksitas data dan memudahkan semua orang untuk memahaminya.

Ada banyak alat visualisasi data yang tersedia, seperti: B. Tableau, Power BI, ChartBlocks, dan lainnya, yang merupakan alat tanpa kode. Mereka adalah alat yang sangat kuat dan memiliki audiens. Namun, jika Anda bekerja dengan data mentah yang membutuhkan transformasi dan tempat bermain yang bagus untuk data, Python adalah pilihan yang sangat baik.

Python, meskipun lebih rumit, membutuhkan keterampilan pemrograman, tetapi memungkinkan Anda untuk memanipulasi, mengubah, dan memvisualisasikan data Anda. Ini ideal untuk ilmuwan data.

Ada banyak alasan mengapa Python adalah pilihan terbaik untuk ilmu data, tetapi salah satu yang terpenting adalah ekosistem perpustakaan. Ada banyak pustaka hebat yang tersedia bagi Python untuk bekerja dengan data seperti

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Pengembang telah membuat perpustakaan baru berdasarkan matplotlib yang disebut

sns.scatterplot(data=flights_data, x="year", y="passengers")

sns.scatterplot(data=flights_data, x="year", y="passengers")

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Dalam artikel ini, kami akan fokus pada cara bermitra dengan Seaborn untuk membuat diagram kelas dunia. Jika Anda ingin terlibat, Anda dapat membuat proyek Anda sendiri atau lihat saja proyek saya Proyek Panduan Seaborn di GitHub.

Apa itu Seaborn?

Yg keturunan dr laut adalah pustaka untuk membuat grafik statistik dengan Python. Itu membangun matplotlib.dll dan terintegrasi erat dengan Struktur data panda .

Dengan Seaborn Design, Anda dapat menjelajahi dan memahami data Anda dengan cepat. Seaborn menangkap seluruh bingkai atau susunan data yang berisi semua data Anda dan melakukan semua fungsi internal yang diperlukan untuk pemetaan semantik dan agregasi statistik untuk mengubah data menjadi bagan yang informatif.

Ini mengabstraksi kompleksitas dan memungkinkan Anda merancang plot sesuai dengan kebutuhan Anda.

[Bacabaca:[Lesen:[Read:Mencapai 4 Skala Dengan Data Untuk Menyelamatkan Planet]

Pasang Seaborn

Untuk memasang

sns.scatterplot(data=flights_data, x="year", y="passengers")

sns.scatterplot(data=flights_data, x="year", y="passengers")

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

sns.scatterplot(data=flights_data, x="year", y="passengers")

Kemudian mari instal Seaborn dan tentu saja paketnya juga Buku catatan untuk mendapatkan akses ke tempat bermain data kami.

pipenv install seaborn notebook

Selain itu, kami akan mengimpor beberapa modul sebelum memulai.

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Bangun lahan pertama Anda

Sebelum kita dapat menggambar apapun, kita membutuhkan data. Keindahan

sns.scatterplot(data=flights_data, x="year", y="passengers")

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Mari kita lihat cara kerjanya dengan memuat kumpulan data yang berisi informasi tentang penerbangan.

Plot pencar

Plot sebar adalah grafik yang menampilkan titik berdasarkan dua dimensi kumpulan data. Membuat plot pencar di perpustakaan Seaborn sangat mudah hanya dengan satu baris kode.

sns.scatterplot(data=flights_data, x="year", y="passengers")

Sangat mudah bukan? Fungsinya

sns.lineplot(data=flights_data, x="year", y="passengers")

sns.lineplot(data=flights_data, x="year", y="passengers")

sns.lineplot(data=flights_data, x="year", y="passengers")

Diagram garis

Grafik ini menarik garis yang mewakili revolusi data kontinu atau kategoris. Ini adalah jenis bagan yang populer dan terkenal, dan sangat mudah dibuat. Kami menggunakan fungsi yang mirip dengan sebelumnya

sns.lineplot(data=flights_data, x="year", y="passengers")

sns.lineplot(data=flights_data, x="year", y="passengers")

sns.lineplot(data=flights_data, x="year", y="passengers")

sns.scatterplot(data=flights_data, x="year", y="passengers")

sns.lineplot(data=flights_data, x="year", y="passengers")

Plot batang

Ini mungkin jenis bagan yang paling populer, dan seperti yang mungkin telah Anda prediksi, kami dapat menggambar jenis bagan ini bersama kami

sns.scatterplot(data=flights_data, x="year", y="passengers")

sns.lineplot(data=flights_data, x="year", y="passengers")

sns.barplot(data=flights_data, x="year", y="passengers")

Ini sangat berwarna, saya tahu kita akan belajar cara menyesuaikannya nanti di tutorial.

Ekstensi dengan matplotlib

Seaborn sedang membangun

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

sns.scatterplot(data=flights_data, x="year", y="passengers")

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Misalnya, Anda ingin menggambar beberapa diagram pada saat bersamaan

sns.scatterplot(data=flights_data, x="year", y="passengers")

sns.barplot(data=flights_data, x="year", y="passengers")

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

diamonds_data = sns.load_dataset('diamonds')
plt.subplot(1, 2, 1)
sns.countplot(x='carat', data=diamonds_data)
plt.subplot(1, 2, 2)
sns.countplot(x='depth', data=diamonds_data)

Penggunaan

sns.barplot(data=flights_data, x="year", y="passengers")

Kami membuat

sns.scatterplot(data=flights_data, x="year", y="passengers")

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

sns.scatterplot(data=flights_data, x="year", y="passengers")

Seaborn menyukai panda

Kami sudah membicarakannya sebelumnya, tapi

sns.scatterplot(data=flights_data, x="year", y="passengers")

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

sns.scatterplot(data=flights_data, x="year", y="passengers")

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

drinks_df = pd.read_csv("data/drinks.csv")
sns.barplot(x="country", y="beer_servings", data=drinks_df)

Lakukan tindakan indah dengan gaya

Seaborn memberi Anda kemampuan untuk mengubah antarmuka pengguna diagram Anda dan langsung menawarkan lima gaya berbeda: Darkgrid, Whitegrid, gelap, putih, dan Kutu.

sns.set_style("darkgrid")
sns.lineplot(data = data, x = "year", y = "passengers")

Ini contoh lainnya

sns.set_style("whitegrid")
sns.lineplot(data=flights_data, x="year", y="passengers")

Kasus penggunaan keren

Kami tahu dasar-dasar

sns.scatterplot(data=flights_data, x="year", y="passengers")

sns.scatterplot(data=flights_data, x="year", y="passengers")

Pertama, muat kumpulan data.

I like to print the first few rows of the data set to get a feeling of the columns and the data itself. Usually, I use some pandas functions to fix some data issues like null values and add information to the data set that may be helpful. You can read more about this on the guide to working with pandas .

Buat kolom tambahan ke catatan dengan persentase yang mewakili jumlah tip atas total tagihan.

Selanjutnya kita bisa menggambar beberapa diagram.

Pahami persentase taruhan

Pertama, mari kita coba memahami distribusi persentase tip. Untuk itu bisa kita manfaatkan

diamonds_data = sns.load_dataset('diamonds')
plt.subplot(1, 2, 1)
sns.countplot(x='carat', data=diamonds_data)
plt.subplot(1, 2, 2)
sns.countplot(x='depth', data=diamonds_data)

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Itu bagus, kami harus menyesuaikannya

diamonds_data = sns.load_dataset('diamonds')
plt.subplot(1, 2, 1)
sns.countplot(x='carat', data=diamonds_data)
plt.subplot(1, 2, 2)
sns.countplot(x='depth', data=diamonds_data)

Menarik juga untuk mengetahui apakah persentase tip berubah tergantung pada waktu hari itu.

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Kali ini kami memuat grafik dengan kumpulan data lengkap, bukan hanya satu kolom, lalu menyetel properti

drinks_df = pd.read_csv("data/drinks.csv")
sns.barplot(x="country", y="beer_servings", data=drinks_df)

drinks_df = pd.read_csv("data/drinks.csv")
sns.barplot(x="country", y="beer_servings", data=drinks_df)

drinks_df = pd.read_csv("data/drinks.csv")
sns.barplot(x="country", y="beer_servings", data=drinks_df)

Total tip per hari kerja

Metrik menarik lainnya adalah mengetahui berapa banyak uang yang dapat diharapkan staf dalam tip berdasarkan hari dalam seminggu.

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Sepertinya Jumat adalah hari yang baik untuk tinggal di rumah.

Pengaruh ukuran meja dan hari di ujung

Terkadang kami ingin memahami bagaimana variabel berinteraksi untuk menentukan keluaran. Misalnya, bagaimana hari dalam seminggu dan ukuran tabel memengaruhi persentase tip?

Untuk menggambar diagram berikutnya, kami menggabungkannya

drinks_df = pd.read_csv("data/drinks.csv")
sns.barplot(x="country", y="beer_servings", data=drinks_df)

import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib

Kesimpulan

Tentu kita bisa melakukan lebih banyak lagi

sns.scatterplot(data=flights_data, x="year", y="passengers")

Ini item awalnya diterbitkan pada Aliran kode langsung oleh Juan Cruz Martinez (Indonesia: @bayu_joo), Pendiri dan penerbit Live Code Stream, pengusaha, pengembang, penulis, pembicara, dan pembuat berbagai hal.

Aliran kode langsung juga tersedia sebagai buletin mingguan gratis. Mendaftarlah untuk mendapatkan pembaruan tentang segala hal yang berkaitan dengan pemrograman, AI, dan ilmu komputer secara umum.