你好,人们! 在本文中,我们将把海洋导游提前,并了解 海洋线路地图. 我们最近涵盖了 [海洋热地图]( / 社区 / 教程 / 海洋热地图 - 教程),所以如果您有兴趣了解更多关于热地图。
什么是线程插图?
Seaborn作为一个库用于数据集上构建的模型中的数据可视化,以预测结果并分析数据中的变化。
Seaborn Line Plots描述了连续和分类值之间的关系,以连续数据点格式。
在本文中,我们将使用下面的数据集来操纵数据并形成线程图。
在下面的数据集中,数据变量 - 'cyl', 'vs', 'am', 'gear' 和 'carb' 是 **分类变量,因为所有数据值都属于某个类别或值范围。
剩余的数据列属于整数/连续变量,因为它们携带分散的整数值。
输入数据集:**
策划你的第一个海洋线的阴谋
要开始使用 Line Plots,我们需要通过下面的命令将 Seaborn 库安装和导入到 Python 环境中:
合成:**
1pip install seaborn
完成安装后,将库导入到当前的工作环境并使用函数
合成:**
1import seaborn
对于整个Seaborn系列,我们将使用 Matplotlib库来绘制数据并以适当的可视化方式显示数据。
通过Seaborn创建单一LinePlot
我们可以提供分散的值或使用数据集来创建 Seaborn 线程。
合成:**
1seaborn.lineplot(x, y, data)
x:x轴的数据变量y:y轴的数据变量data:指向整个数据集或数据值的对象
** 示例 1:** 使用随机数据创建 Seaborn 线程
1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4
5Year = [2012, 2014, 2016, 2020, 2021, 2022, 2018]
6Profit = [80, 75.8, 74, 65, 99.5, 19, 33.6]
7
8data_plot = pd.DataFrame({"Year":Year, "Profit":Profit})
9
10sns.lineplot(x = "Year", y = "Profit", data=data_plot)
11plt.show()
在下面的场景中,我们可以见证两个数据变量之间的线性关系――年和利润。
出发点:**
** 示例 2: 使用数据集创建线程,并描述数据列之间的关系。
1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4
5data = pd.read_csv("C:/mtcars.csv")
6info = data.iloc[1:20,:5]
7sns.lineplot(x = "drat", y = "mpg",data=info)
8sns.set(style='dark',)
9plt.show()
输入数据集:**
出发点:**
多条海滨线路
我们可以创建多个行以可视化相同空间或插图中的数据,我们可以使用相同或多个数据列/数据变量,并描绘它们之间的关系。
使用色彩参数创建多个数据点的色彩色彩
参数hue可以用来组合数据集的不同变量,并有助于描述 x 和 y 轴数据列之间的关系,并将列作为参数的值传递给参数。
合成:**
1seaborn.lineplot(x,y,data,hue)
** 例子:**
1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4
5data = pd.read_csv("C:/mtcars.csv")
6info = data.iloc[1:20,:5]
7sns.lineplot(x = "drat", y = "mpg", data=info, hue="cyl")
8plt.show()
如下图所示,它代表了三个不同颜色方案的行,分别描绘了**drat**,**mpg**和**cyl**之间的关系。
出发点:**
2、使用风格参数来绘制不同类型的线条
我们可以将风格参数设置为我们希望与x和y轴一起显示的值,还可以指定不同的线路结构:盘点,点(标记)等。
合成:**
1seaborn.lineplot(x, y, data, style)
例子二:
1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4
5data = pd.read_csv("C:/mtcars.csv")
6info = data.iloc[1:20,:5]
7sns.lineplot(x = "drat", y = "mpg", data=info, hue="cyl", style="cyl")
8plt.show()
正如可以清楚地看到的那样,插图代表了cyl值与mpg和drat的关系,与不同的线路结构,即平行线,和标记。
出发点:**
使用尺寸参数在Seaborn中绘制多个线程
我们甚至可以使用seaborn.lineplot()函数的大小参数来表示要绘制的多数据变量关系,其尺寸不同,因此它作为根据数据的大小而具有不同的大小/宽度的组合变量。
合成:**
1seaborn.lineplot(x, y, data, size)
例子三:
1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4
5data = pd.read_csv("C:/mtcars.csv")
6info = data.iloc[1:20,]
7sns.lineplot(x = "drat", y = "mpg", data=info, hue="gear",style="gear",size="gear")
8plt.show()
输入数据集:**
出发点:**
使用不同的色彩板以及线程插图
Seaborn colormap 和 palette 定义了可视化模型的颜色范围. 参数palette和hue可用于根据数据变量确定颜色编码方案。
若要查看更多颜色,请点击此处的链接: 颜色
合成:**
1seaborn.lineplot(x,y,data,hue,palette)
** 例子:**
1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4
5data = pd.read_csv("C:/mtcars.csv")
6info = data.iloc[1:20,]
7sns.lineplot(x = "drat", y = "mpg", data=info, hue="gear", palette = "Set1")
8plt.show()
出发点:**
添加错误栏到线程插图
线程图可以用来定义插图中的信任级别/间隔,以通过使用err_style参数来描述错误率。
合成:**
1seaborn.lineplot(x,y,data,err_style="bars")
** 例子:**
1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4
5data = pd.read_csv("C:/mtcars.csv")
6info = data.iloc[1:20,]
7sns.lineplot(x = "cyl", y = "mpg",data=info, err_style="bars")
8plt.show()
出发点:**
使用 seaborn.set() 函数设置不同的风格
Python seaborn.set() 函数 可以用来以不同的背景风格显示阴谋。
合成:**
1seaborn.set(style)
** 例子:**
1import pandas as pd
2import seaborn as sns
3import matplotlib.pyplot as plt
4
5data = pd.read_csv("C:/mtcars.csv")
6info = data.iloc[1:20,]
7sns.lineplot(x = "cyl", y = "mpg",data=info,hue="gear")
8sns.set(style='dark',)
9plt.show()
出发点:**
结论
因此,在本文中,我们已经理解了线程和与之相关的变异。
我强烈建议读者通过Python Matplotlib教程( / 社区 / 教程 / Python-matplotlib)以更好地理解线程。
参考
- [海洋海峡线图 -- 官方文件]((https://seaborn.pydata.org/generated/seaborn.lineplot.html)