معرفی کتابخانه seaborn (بخش سوم)

نمودار های BarPlot

نمودار های Bar plot یا نمودار میله ای رابطه بین یک متغیر عددی و یک متغیر طبقه ای را نشان میدهد. این تابع پارامتر های مختلفی میگیرد .دو تا از مهم ترین پارامتر های این تابع :

متغیر محور افقی نمودار : X

متغیر محور عمودی نمودار : Y

plt.figure(figsize=(20,7))

sns.barplot(x=pokemon['Type 1'], y= pokemon['Attack'])

plt.show()

مرتب سازی نمودار براساس یک متغیر به کمک متد groupby():

plt.figure(figsize=(20,7))

order = pokemon.groupby(['Type 1']).mean().sort_values('Defense' , ascending = False).index

sns.barplot(x=pokemon['Type 1'], y= pokemon['Defense'] , order=order)

plt.show()

در نمونه ی بالا، نمودار براساس متغیرDefence به طور نزولی مرتب شده است.

نمودار count یک مورد خاص برای نمودار میله ای زمانی است که می خواهید تعداد مشاهدات هر دسته را به جای محاسبه آماری برای متغیر دوم نمایش دهید.

titanic = sns.load_dataset(&quottitanic&quot) #load dataset

sns.catplot(x=&quotdeck&quot, kind=&quotcount&quot, palette=&quotch:.25&quot, data=titanic)

نمودار مدل های رگرسیون (regression):

در کتابخانه ی Seaborn می توانیم در نمودارهای scatter خط رگرسیون رسم کنیم جهت بررسی مجدد قدرت رابطه ی بین داده ها و یا پیدا کردن بهترین خط که با داده ها مطابقت دارد:

نمودار RegPlot

تابع RegPlot() با گرفتن متغیر های x و y مدل رگرسیون را روی آن اعمال می کند مانند زیر:

tips = sns.load_dataset(&quottips&quot) #load dataset

sns.regplot(x=&quottotal_bill&quot, y=&quottip&quot, data=tips)

نمودار ResidPlot

برای بررسی اینکه آیا مدل رگرسیون ساده می تواند برای دیتاست به کار گرفته شده مناسب باشد یا خیر از دستور زیر استفاده می کنیم:

anscombe = sns.load_dataset(&quotanscombe&quot) #load dataset

sns.residplot(x=&quotx&quot, y=&quoty&quot, data=anscombe.query(&quotdataset == 'I'&quot), scatter_kws={&quots&quot: 80})

به دلیل اینکه مقادیر به صورت پراکنده اطراف خط y=0 قرار گرفته اند، مدل رگرسیون ساده مناسب برای این دیتاست می باشد.

sns.residplot(x=&quotx&quot, y=&quoty&quot, data=anscombe.query(&quotdataset == 'II'&quot), scatter_kws={&quots&quot: 80})

در این حالت مقادیر اطراف خط y=0 پراکنده نیستند و نظم خاصی دارند، پس میتوان گفت رگرسیون ساده مناسب این دیتاست نیست.

نمودار LmPlot

برای بررسی وضعیت داده مورد نظر نسبت به سایر متغیر ها از دستور زیر کمک می گیریم:

sns.lmplot(x=&quottotal_bill&quot, y=&quottip&quot, hue=&quotsmoker&quot, data=tips)

همچنین می توان به شکل زیر وضعیت یک متغیر را مشروط به متغیر یا متغیر های دیگر بررسی کنیم:

sns.lmplot(x=&quottotal_bill&quot, y=&quottip&quot, hue=&quotsmoker&quot, col=&quottime&quot, data=tips)

پارامتر های row, col متغیرهایی که زیرمجموعه ها را برای ترسیم در وجوه مختلف تعریف می کنند:

sns.lmplot(x=&quottotal_bill&quot, y=&quottip&quot, hue=&quotsmoker&quot, col=&quottime&quot, row=&quotsex&quot, data=tips)

برای تغییر اندازه ی نمودار های regplot() همانند آنچه که در کتابخانه ی matplotlib.pyplot انجام می دادیم، عمل میکنیم:

f, ax = plt.subplots(figsize=(5, 6))

sns.regplot(x=&quottotal_bill&quot, y=&quottip&quot, data=tips, ax=ax)

ولی برای تغییر اندازه ی نمودار های lmplot() مسیر متفاوت است و طبق قطعه کد زیر پیش می رویم:

sns.lmplot(x=&quottotal_bill&quot, y=&quottip&quot, col=&quotday&quot, data=tips, col_wrap=2, height=3)

منبع آموزش : وبسایت کتابخانه ی Seaborn

و در پایان باید بگم که سعی کردیم تو این مقاله بهترین و کاربردی ترین توابع کتابخانه ی سیبورن را براتون بگیم که بتونید این کتابخونه رو خیلی سریع و با کیفیت بالا یادش بگیرید ولی چیزی که میتونه شما رو بیشتر موفق کنه، اینه که تمرین کنید!

موفق باشید!

انجمن هوش مصنوعی دانشگاه اصفهان

محمد جعفرپور

مریم سادات صفوی

دانیال توکلی