Biểu đồ vòng có thể hiển thị một chuỗi dữ liệu. Biểu đồ tròn hiển thị kích thước của các mục [được gọi là nêm] trong một chuỗi dữ liệu, Tỷ lệ với tổng của các mục. Các điểm dữ liệu trong biểu đồ hình tròn được hiển thị dưới dạng phần trăm của toàn bộ hình tròn
Matplotlib API has a function pie [] tạo ra một biểu tượng tròn đại diện cho dữ liệu trong một mảng. Diện tích phần của mỗi hình nêm được cho bởi x / sum [x]. Nếu tổng [x] < 1, thì giá trị của x cung cấp trực tiếp cho phân số và mảng sẽ không được chuẩn hóa. Bánh kết quả sẽ có một hình nêm trống có kích thước 1 - tổng [x]
Biểu đồ hình tròn trông đẹp nhất nếu hình và trục là hình vuông hoặc khía cạnh Các trục bằng nhau
Các tham số cần biết
mảng xs. Wedges size. nhãn danh sách. Một chuỗi các chuỗi cung cấp các nhãn cho mỗi nêm. Màu sắcMột chuỗi các vòng màu matplotlib mà qua đó biểu đồ tròn sẽ xoay tròn. Nếu không, sẽ sử dụng các màu trong chu kỳ đang hoạt động. Autopctchuỗi, được sử dụng để gắn nhãn các nêm với giá trị số. Nhãn sẽ được đặt bên trong nêm. Định dạng chuỗi sẽ là fmt% pctĐoạn mã sau sử dụng hàm pie [] để hiển thị biểu đồ tròn của danh sách sinh viên đã đăng ký các từ khóa học ngôn ngữ máy tính khác nhau. Tỷ lệ phần trăm tương ứng được hiển thị bên trong mục tương ứng với sự trợ giúp của tham số autopct được đặt thành% 1. 2f%
from matplotlib import pyplot as plt
import numpy as np
fig = plt.figure[]
ax = fig.add_axes[[0,0,1,1]]
ax.axis['equal']
langs = ['C', 'C++', 'Java', 'Python', 'PHP']
students = [23,17,35,29,12]
ax.pie[students, labels = langs,autopct='%1.2f%%']
plt.show[]2. Ví dụ minh hoạ
Ví dụ 1. Bản trình diễn của biểu đồ vòng trên một cực
import numpy as np
import matplotlib.pyplot as plt
# Fixing random state for reproducibility
np.random.seed[19680801]
# Compute pie slices
N = 20
theta = np.linspace[0.0, 2 * np.pi, N, endpoint=False]
radii = 10 * np.random.rand[N]
width = np.pi / 4 * np.random.rand[N]
colors = plt.cm.viridis[radii / 10.]
ax = plt.subplot[111, projection='polar']
ax.bar[theta, radii, width=width, bottom=0.0, color=colors, alpha=0.5]
plt.show[]Kết quả
Ví dụ 2. Thanh bánh
Tạo biểu đồ "Thanh bánh" trong lần đầu tiên của hình tròn được "bùng nổ" thành biểu đồ thanh với sự phân tích sâu hơn về các đặc điểm của vị trí đó. Ví dụ minh họa bằng cách sử dụng một hình có nhiều bộ phận và sử dụng danh sách các bản vá để bổ sung hai Bản vá kết nối để liên kết các biểu đồ phụ
Trong bài viết này mình giới thiệu với mọi người các biểu đồ mình hay dùng để hình dung dữ liệu bằng seaborn
Nội dung chính Hiển thị
Nội dung chính
- I. Seaborn vs Matplotlib
- II. Các biểu tượng thường được sử dụng trong seaborn
- 2. 1. Ghép lô
- 2. 2. Đếm
- 2. 3. Histplot và Distplot [Trong phiên bản cũ của seaborn]
- 2. 4. phân phối chung
- 2. 5. lô thanh
- 2. 6. Bản đồ nhiệt
- 2. 7. Cốt truyện hình hộp, cốt truyện bầy đàn và cốt truyện vĩ cầm
- 2. 7. 1. cốt truyện hộp
- 2. 7. 2. âm mưu bầy đàn
- 2. 7. 3. Cốt truyện vĩ cầm []
- 2. 8. Biểu đồ tròn
- III. Kết luận
Vì là intro nên để hiểu rõ hơn ý nghĩa của từng biểu đồ, mọi người có thể đọc thêm tại series data visualization của anh Ngọc tại đây và của anh Khánh tại đây
I. Seaborn vs Matplotlib
Seaborn là phần mở rộng của matplotlib, có nghĩa là seaborn kế thừa từ matplotlib và chính vì vậy, seaborn không thể thay thế hoàn toàn được matplotlib
Mình sẽ so sánh nhanh giữa 2 công cụ visual này nhé
Matplotlib Seaborn Function Thường được sử dụng trên các biểu tượng đơn giản như đồ thị. thanh, bánh nướng, đường kẻ, phân tán,. Về cơ bản, seaborn cung cấp nhiều dạng biểu tượng hơn, với cú pháp đơn giản và hình vẽ "mặc định" có thể hiển thị màu sắc cũng như mè và thú vị hơn. Xử lý đa hình Cần phải tắt bỏ hiện hình để hiện hình tiếp theoTự động tạo nhiều hình [Có thể gây tràn bộ nhớ] Tính linh hoạtCó khả năng tùy biến cao, mạnh mẽCung cấp nhiều giao diện thông thường được sử dụngDataframes và ArraysHoạt động vớiĐại khái là thế
No startedII. Các biểu tượng thường được sử dụng trong seaborn
Trong bài viết này mình sẽ sử dụng thủ thuật dữ liệu, hành tinh iris vaf nhé
# Import library
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
2. 1. Ghép lô
Khi muốn nhìn tổng quan dữ liệu và mối quan hệ giữa các dữ liệu theo từng đối sánh với nhau, thì các cặp ô là lựa chọn vô cùng hoàn hảo [Các tính năng có dạng số, hiển thị ngẫu nhiên]. v]
sns.pairplot[iris, hue='species', height=1.5]
2. 2. Đếm
Countplot sẽ trả về số lượng của từng danh mục dưới dạng cột
sns.countplot[x = tips['day']]
Và với một chút điều chỉnh, chúng ta có thể sắp xếp các cột theo thứ tự tăng hoặc giảm [Có trường hợp xì hơi nhìn mà ko ra chả hạn]
sns.countplot[x = tips['day'],
order = tips['day'].value_counts[].index]
Hoặc cũng có thể sử dụng countplot để xem tương quan giữa 2 tính năng. Ví dụ. Xem các ngày trong tuần nam, nữ ai trả nhiều hơn
sns.countplot[x= 'day', hue= 'sex', data= tips]
2. 3. Histplot và Distplot [Trong phiên bản cũ của seaborn]
Displot giúp ta xem được sự phân phối [Distribution] của dữ liệu
________số 8Use
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
import numpy as np
import matplotlib.pyplot as plt
# Fixing random state for reproducibility
np.random.seed[19680801]
# Compute pie slices
N = 20
theta = np.linspace[0.0, 2 * np.pi, N, endpoint=False]
radii = 10 * np.random.rand[N]
width = np.pi / 4 * np.random.rand[N]
colors = plt.cm.viridis[radii / 10.]
ax = plt.subplot[111, projection='polar']
ax.bar[theta, radii, width=width, bottom=0.0, color=colors, alpha=0.5]
plt.show[]2. 4. phân phối chung
Tương tự như pairplot, chúng ta có thể sử dụng
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
import numpy as np
import matplotlib.pyplot as plt
# Fixing random state for reproducibility
np.random.seed[19680801]
# Compute pie slices
N = 20
theta = np.linspace[0.0, 2 * np.pi, N, endpoint=False]
radii = 10 * np.random.rand[N]
width = np.pi / 4 * np.random.rand[N]
colors = plt.cm.viridis[radii / 10.]
ax = plt.subplot[111, projection='polar']
ax.bar[theta, radii, width=width, bottom=0.0, color=colors, alpha=0.5]
plt.show[]hoặc
import numpy as np
import matplotlib.pyplot as plt
# Fixing random state for reproducibility
np.random.seed[19680801]
# Compute pie slices
N = 20
theta = np.linspace[0.0, 2 * np.pi, N, endpoint=False]
radii = 10 * np.random.rand[N]
width = np.pi / 4 * np.random.rand[N]
colors = plt.cm.viridis[radii / 10.]
ax = plt.subplot[111, projection='polar']
ax.bar[theta, radii, width=width, bottom=0.0, color=colors, alpha=0.5]
plt.show[]hoặc
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
Có rất nhiều lựa chọn có thể thử, tùy vào việc bạn nhìn vào biểu đồ nào sẽ thấy dễ hình dung về phân phối hơn
2. 5. lô thanh
Dữ liệu chuỗi thời gian có thể biểu diễn thông qua
sns.pairplot[iris, hue='species', height=1.5]
sns.pairplot[iris, hue='species', height=1.5]
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
Attempt catplot with
sns.pairplot[iris, hue='species', height=1.5]
2. 6. Bản đồ nhiệt
Cái này chắc quá quen thuộc với mọi người khi muốn vẽ Ma trận tương quan rồi nhỉ?
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
2. 7. Cốt truyện hình hộp, cốt truyện bầy đàn và cốt truyện vĩ cầm
Ý tưởng chung là giúp ta dễ hình dung hơn phân phối dữ liệu và phát hiện ngoại lệ
2. 7. 1. cốt truyện hộp
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
And with
sns.pairplot[iris, hue='species', height=1.5]
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
2. 7. 2. âm mưu bầy đàn
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
2. 7. 3. Cốt truyện vĩ cầm []
# Load data
tips = sns.load_dataset['tips']
iris = sns.load_dataset['iris']
planets = sns.load_dataset['planets']
2. 8. Biểu đồ tròn
[Đổi gió sử dụng một chút matplotlib. pyplot
]]____37III. Kết luận
Vì vậy, mình đã giới thiệu đơn giản với mọi người các biểu đồ mình thường sử dụng khi sử dụng seaborn, để hiểu rõ hơn về cách sử dụng mà mọi người có thể xem tại mã nguồn của seaborn. Cảm ơn đã dành thời gian đọc bài viết của mình. Hẹn gặp lại sau. [KxSS]