python seaborn柱状图,python分布图怎么做
在本文中，我们将介绍10个例子，帮助您掌握如何使用Python中的Seaborn库来创建图表。本文详细讲解了样例代码，有兴趣的可以看看。
00-1010前言例1例2例3例4例5例6例7例8例9例10
目录
在本文中，我们将介绍10个例子来掌握如何使用Seaborn library for Python创建图表。
任何数据产品的第一步都应该是了解原始数据。对于成功和高效的产品，这一步占据了整个工作流程的很大一部分。
理解和探索数据有几种方法。其中之一是创建数据可视化。它们帮助我们探索和解释数据。
通过创建适当且设计良好的可视化，我们可以发现数据中的潜在结构和关系。
分布在数据分析中起着至关重要的作用。它们帮助我们检测异常值和偏斜度，或者获得集中趋势(平均值、中值和模态)指标的概述。
例如，我们将使用Kaggle上墨尔本住房数据集中的一个小样本。
我们首先导入库并将数据集读入Pandas数据框。
importpandasaspd
进口海产品
sns.set(style=darkgrid ，font_scale=1.2)
df=pd.read_csv(
/content/melb_housing.csv ，
usecols=[Regionname ， Type ， Rooms ， Distance ， Price]
)
df.head()
这个数据集包含了墨尔本房屋及其价格的一些特征。
Seaborn的离散功能允许创建三种不同类型的分布区域，即：
直方图Kde(核密度估计)图Ecdf图我们只需要调整kind参数来选择图的类型。
前言
第一个例子是创建一个基本的直方图。它将连续变量的值范围划分为离散的区间，并显示每个区间中有多少个值。
sns.displot(
数据=df，
x=价格，
kind=hist ，
纵横比=1.4
)
我们将df的名称传递给数据参数。x参数接受要绘制的列名。aspect参数调整大小的纵横比。还可以改变高度。
示例 1
在第一个例子中，我们可以清楚地看到price列中有一些异常值。柱状图右边有一条长尾，说明价格非常高的房子很少。
减少这种异常值影响的一种方法是取该值的对数。displot函数可以使用log_scale参数来执行此操作。
sns.displot(
数据=df，
x=价格，
kind=hist ，
纵横比=1.4，
对数标度=10
)
价格是以10的幂表示的。现在我们对房价的分布有了更好的概述。
示例 2
我们还可以调整直方图中的仓数量。在某些情况下，最好使用较少的方框，这样我们可以得到一个更有条理的概览。
用于此调整的参数是box。
sns.displot(
数据=df，
x=价格，
kind=hist ，
纵横比=1.4，
log_scale=10，
箱数=20
)
示例 3
数据集还包含分类变量。例如，类型列有三个类别，即H(房子)、T(联排别墅)和U(单元)。我们可能需要分别检查每个项目的分配情况。
一种选择是在同一可视化中用不同的颜色显示它们。我们只需要将列名传递给hue参数。
sns.displot(
这个图为我们提供了2条信息:
每个类别的大小与房屋的数量有关。h类是最大的一类。
每类房屋的价格分布。
示例 5
另一个检查每个类别分布的选项是创建单独的子图。我们可以对这个任务使用col或row参数。给定列中的每个类别都有一个子图。
sns.displot(
例子 6
displot函数还允许生成二维直方图。因此，我们得到了关于两列中值的观察值(即行)分布的概述。
我们使用价格和距离列创建一个。我们只是将列名传递给x和y参数。
sns.displot(
较暗的区域密度更大，所以它们包含了更多的观测数据。两列看起来都是正态分布，因为密集的区域在中心。
你可能已经注意到，我们使用了一个元组作为log_scale参数的参数。因此，我们可以为每个列传递不同的比例。
例子 7
Kde图还可以用于可视化变量的分布。它们和直方图很相似。然而，kde图使用连续的概率密度曲线来表示分布，而不是使用离散的箱。
kind参数设置为kde，以生成kde图。
sns.displot(
示例 8
与直方图类似，可以为不同的类别分别绘制kde图。我们的数据集包含房屋的区域信息。我们看看不同地区的价格变化。
sns.displot(
南方大都市区的平均房价似乎最高。
示例 9
另一种检查变量分布的方法是使用ecdf图。它表示低于给定列中每个唯一值的观察值的比例或计数。
这是一种可视化的累计和。因此，我们能够看到更密集的值范围。
sns.displot(
曲线斜率高的值范围有更多的观测值。例如，我们没有很多房子的距离超过30。与此相反，在10到15的距离范围内有很多房子。
示例10
ecdf图也支持hue、col和row参数。因此，我们可以在一个列中区分不同类别之间的分布。
sns.displot(
对于数据分析或机器学习任务，了解变量(即特征)的分布是非常重要的。我们如何处理给定的任务可能取决于分布。
在这篇文章中，我们看到了如何使用Seaborn的displot函数来分析价格和距离栏的分布。
以上就是Python+Seaborn绘制分布图的示例详解的详细内容，更多关于Python Seaborn分布图的资料请关注盛行IT软件开发工作室其它相关文章！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。