Cet article a été publié dans le cadre du Blogathon sur la science des données.
introduction
La visualisation des données en Python est peut-être l'une des fonctionnalités les plus utilisées pour la science des données avec Python aujourd'hui. Les bibliothèques en Python sont livrées avec de nombreuses fonctionnalités différentes qui permettent aux utilisateurs de créer des graphiques hautement personnalisés, élégant et interactif.
Dans cet article, nous couvrirons l'utilisation de Matplotlib, Seaborn, ainsi qu'une introduction à d'autres packages alternatifs pouvant être utilisés dans la visualisation Python.
Dans Matplotlib et Seaborn, nous couvrirons certains des tracés les plus utilisés dans le monde de la science des données pour une visualisation facile.
Plus loin dans l'article, nous allons passer en revue une autre fonctionnalité puissante dans les visualisations Python, la sous-trame, et nous avons couvert un tutoriel de base pour créer des sous-parcelles.
Paquets utiles pour les visualisations en python
Matplotlib
Matplotlib est une bibliothèque d'affichage Python pour les diagrammes de tableaux 2D. Matplotlib est écrit en Python et utilise la bibliothèque NumPy. Peut être utilisé dans les shells Python et IPython, Ordinateurs portables Jupyter et serveurs d'applications Web. Matplotlib est livré avec une grande variété de graphiques comme la ligne, bar, dispersion, histogramme, etc. qui peuvent nous aider à approfondir notre compréhension des tendances, modèles et corrélations. Il a été introduit par John Hunter en 2002.
Seaborn
Seaborn est une bibliothèque orientée ensemble de données pour effectuer des représentations statistiques en Python. Il est développé sur matplotlib et permet de créer différentes visualisations. Il est intégré aux structures de données pandas. La bibliothèque fait le mappage et l'agrégation en interne pour créer des visuels informatifs. Il est recommandé d'utiliser une interface Jupyter / IPython et modo matplotlib.
Bokeh
Bokeh est une bibliothèque d'affichage interactive pour les navigateurs Web modernes. Il convient au streaming ou aux données volumineuses et peut être utilisé pour développer des graphiques et des tableaux de bord interactifs. Il existe une large gamme de graphiques intuitifs dans la bibliothèque qui peuvent être exploités pour développer des solutions. Fonctionne en étroite collaboration avec les outils PyData. La bibliothèque est adaptée à la création d'images personnalisées en fonction des cas d'utilisation requis. Les images peuvent également être rendues interactives pour servir de modèle de scénario hypothétique. Tout le code est open source et disponible sur GitHub.
Altaïr
Altair est une bibliothèque d'affichage statistique déclaratif pour Python. L'API Altair est facile à utiliser et cohérente, et est construit sur la spécification Vega-Lite JSONJSON, o Notation d’objet JavaScript, Il s’agit d’un format d’échange de données léger, facile à lire et à écrire pour les humains, et facile à analyser et à générer pour les machines. Il est couramment utilisé dans les applications Web pour envoyer et recevoir des informations entre un serveur et un client. Sa structure est basée sur des paires clé-valeur, ce qui le rend polyvalent et largement adopté dans le développement de logiciels... La bibliothèque déclarative indique que lors de la création de tout objet visuel, nous devons définir les liens entre les colonnes de données et les canaux (Axe X, Axe y, Taille, Couleur). Avec l'aide d'Altaïr, des images informatives peuvent être créées avec un minimum de code. Altair a une grammaire déclarative de visualisation et d'interaction.
tramadamente
plotly.py est une bibliothèque d'affichage interactive, Open source, haut niveau, déclarative et basée sur un navigateur pour Python. Contient une variété de visualisations utiles, y compris des graphiques scientifiques, Graphiques 3D, graphiques statistiques, graphiques financiers, entre autres. Les graphiques de tracé peuvent être affichés dans les blocs-notes Jupyter, fichiers HTML autonomes ou hébergés en ligne. La bibliothèque Plotly offre des options d'interaction et d'édition. L'API robuste fonctionne parfaitement en mode navigateur Web et local.
ggplot
ggplot est une implémentation Python de la grammaire graphique. La grammaire graphique fait référence à la mise en correspondance des données avec des attributs esthétiques (Couleur, façonner, Taille) et objets géométriques (points, lignes, barres). Les blocs de construction de base selon la grammaire des graphiques sont des données, géom (objets géométriques), statistiques (transformations statistiques), escalader, système de coordonnées et facette.
L'utilisation de ggplot en Python vous permet de développer des visualisations informatives de manière incrémentielle, comprendre d'abord les nuances des données, puis ajuster les composants pour améliorer les représentations visuelles.
Comment utiliser la bonne visualisation?
Pour extraire les informations requises des différents éléments visuels que nous créons, il est essentiel que nous utilisions la représentation correcte en fonction du type de données et des questions que nous essayons de comprendre. Ensuite, nous examinerons un ensemble de représentations les plus utilisées et comment nous pouvons les utiliser le plus efficacement possible.
Graphique à barres
Un graphique à barresLe graphique à barres est une représentation visuelle des données qui utilise des barres rectangulaires pour montrer des comparaisons entre différentes catégories. Chaque barre représente une valeur et sa longueur est proportionnelle à celle-ci. Ce type de graphique est utile pour visualiser et analyser les tendances, faciliter l’interprétation des informations quantitatives. Il est largement utilisé dans diverses disciplines, tels que les statistiques, Marketing et recherche, En raison de sa simplicité et de son efficacité.... est utilisé lorsque nous voulons comparer des valeurs de métrique dans différents sous-groupes de données. Si nous avons un plus grand nombre de groupes, un graphique à barres est préféré à un graphique à colonnes.
Graphique à barres utilisant Matplotlib
#Création du jeu de données df = sns.load_dataset('titanic') df=df.groupby('who')['fare'].somme().encadrer().reset_index() #Création du graphique à barres plt.barh(df['who'],df['fare'],couleur = ['#F0F8FF','#E6E6FA','#B0E0E6']) #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') #Montrer l'intrigue plt.show()
Graphique à barres avec Seaborn
#Création d'un graphique à barres sns.barplot(x = 'fare',y = 'who',data = titanic_dataset,palette = "Bleus") #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') # Montrer l'intrigue plt.show()
Graphique à colonnes
Les graphiques à colonnes sont principalement utilisés lorsque nous devons comparer une seule catégorie de données entre des sous-éléments individuels, par exemple, lorsque l'on compare les revenus entre les régions.
Graphique à colonnes utilisant Matplotlib
#Création du jeu de données df = sns.load_dataset('titanic') df=df.groupby('who')['fare'].somme().encadrer().reset_index() #Création du diagramme à colonnes plt.bar(df['who'],df['fare'],couleur = ['#F0F8FF','#E6E6FA','#B0E0E6']) #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') #Montrer l'intrigue plt.show()
Graphique à colonnes avec Seaborn
#Lecture du jeu de données titanic_dataset = sns.load_dataset('titanic') #Création d'un histogramme sns.barplot(x = 'who',y = 'fare',data = titanic_dataset,palette = "Bleus") #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') # Montrer l'intrigue plt.show()
Graphique à barres groupées
Un graphique à barres groupées est utilisé lorsque l'on veut comparer les valeurs dans certains groupes et sous-groupes.
Graphique à barres groupé à l'aide de Matplotlib
#Création du jeu de données df = sns.load_dataset('titanic') df_pivot = pd.table_pivot(df, valeurs="tarif",indice="qui",colonnes="classer", aggfunc=np.mean) #Création d'un histogramme groupé ax = df_pivot.plot(genre ="bar",alpha=0,5) #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') # Montrer l'intrigue plt.show()
Graphique à barres groupé avec Seaborn
#Lecture du jeu de données titanic_dataset = sns.load_dataset('titanic') #Création du diagramme à barres groupé entre les classes sns.barplot(x = 'who',y = 'fare',teinte ="classer",data = titanic_dataset, palette = "Bleus") #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') # Montrer l'intrigue plt.show()
Graphique à barres empilées
Un graphique à barres empilées est utilisé lorsque nous voulons comparer les tailles totales des groupes disponibles et la composition des différents sous-groupes.
Graphique à barres empilées à l'aide de Matplotlib
# Graphique à barres empilées
#Création du jeu de données
df = pd.DataFrame(colonnes=["UNE","B", "C","ré"],
données=[["E",0,1,1],
["F",1,1,0],
["g",0,1,0]])
df.plot.bar(x='A', y =["B", "C","ré"], stacked=True, largeur = 0.4,alpha=0.5)
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
#Montrer l'intrigue
plt.show()
Graphique à barres empilées avec Seaborn
dataframe = pd.DataFrame(colonnes=["UNE","B", "C","ré"],
données=[["E",0,1,1],
["F",1,1,0],
["g",0,1,0]])
dataframe.set_index('A').T.plot(type='bar', stacked=True)
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
# Montrer l'intrigue
plt.show()
Graphique linéaire
Un graphique linéaireLe graphique linéaire est un outil visuel utilisé pour représenter les données au fil du temps. Il se compose d’une série de points reliés par des droites, qui vous permet d’observer les tendances, Fluctuations et modèles dans les données. Ce type de graphique est particulièrement utile dans des domaines tels que l’économie, Météorologie et recherche scientifique, ce qui facilite la comparaison de différents ensembles de données et l’identification des comportements à tous les niveaux.. pour la représentation continue de points de données. Cet élément visuel peut être utilisé efficacement lorsque nous voulons comprendre la tendance au fil du temps..
Graphique en courbes avec Matplotlib
#Création du jeu de données
df = sns.load_dataset("iris")
df=df.groupby('sepal_length')['sepal_width'].somme().encadrer().reset_index()
#Création du graphique en courbes
plt.plot(df['sepal_length'], df['sepal_width'])
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
#Montrer l'intrigue
plt.show()
Graphique en courbes avec Seaborn
#Création du jeu de données voitures = ['AUDI', 'BMW', 'NISSAN', 'TESLA', 'HYUNDAI', 'HONDA'] données = [20, 15, 15, 14, 16, 20] #Création du camembert plt.pie(Les données, étiquettes = voitures,couleurs = ['#F0F8FF','#E6E6FA','#B0E0E6','#7B68EE','#483D8B']) #Ajout de l'esthétique plt.titre('Chart title') #Montrer l'intrigue plt.show()
Diagramme circulaire
Les camemberts peuvent être utilisés pour identifier les proportions des différents composants dans un tout donné..
Camembert avec Matplotlib
#Création du jeu de données voitures = ['AUDI', 'BMW', 'NISSAN', 'TESLA', 'HYUNDAI', 'HONDA'] données = [20, 15, 15, 14, 16, 20] #Création du camembert plt.pie(Les données, étiquettes = voitures,couleurs = ['#F0F8FF','#E6E6FA','#B0E0E6','#7B68EE','#483D8B']) #Ajout de l'esthétique plt.titre('Chart title') #Montrer l'intrigue plt.show()
Graphique en aires
Les graphiques en aires sont utilisés pour suivre les changements au fil du temps pour un ou plusieurs groupes. Les graphiques en aires sont préférés aux graphiques en courbes lorsque nous voulons capturer les changements au fil du temps pour plusieurs groupes.
Graphique en aires avec Matplotlib
#Lecture du jeu de données x=plage(1,6) y =[ [1,4,6,8,9], [2,2,7,10,12], [2,8,5,10,6] ] #Création du graphique en aires hache = plt.gca() ax.stackplot(X, Oui, étiquettes=['A','B','C'],alpha=0,5) #Ajout de l'esthétique plt.légende(loc ="en haut à gauche") plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') #Montrer l'intrigue plt.show()
Carte en aires avec Seaborn
# Données années_d'expérience =[1,2,3] salaire =[ [6,8,10], [4,5,9], [3,5,7] ] # Terrain plt.stackplot(des années d'expérience,un salaire, étiquettes=['Company A','Company B','Company C']) plt.légende(loc ="en haut à gauche") #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') # Montrer l'intrigue plt.show()
Histogramme de colonne
Les histogrammesLes histogrammes sont des représentations graphiques qui montrent la distribution d’un ensemble de données. Ils sont construits en divisant la plage de valeurs en intervalles, O "Bacs", et compter la quantité de données tombées dans chaque intervalle. Cette visualisation vous permet d’identifier des modèles, Tendances et variabilité des données, faciliter l’analyse statistique et la prise de décision éclairée dans diverses disciplines.... sont utilisés pour observer la distribution d’un seul variableEn statistique et en mathématiques, ongle "variable" est un symbole qui représente une valeur qui peut changer ou varier. Il existe différents types de variables, et qualitatif, qui décrivent des caractéristiques non numériques, et quantitatif, représentation de grandeurs numériques. Les variables sont fondamentales dans les expériences et les études, puisqu’ils permettent l’analyse des relations et des modèles entre différents éléments, faciliter la compréhension de phénomènes complexes.... avec peu de points de données.
Graphique à colonnes utilisant Matplotlib
#Création du jeu de données
pingouins = sns.load_dataset("pingouins")
#Création de l'histogramme des colonnes
hache = plt.gca()
hache.hist(pingouins['flipper_length_mm'], couleur="bleu",alpha=0,5, bacs=10)
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
#Montrer l'intrigue
plt.show()
Graphique à colonnes avec Seaborn
#Lecture du jeu de données
penguins_dataframe = sns.load_dataset("pingouins")
#Tracer l'histogramme des barres
sns.distplot(pingouins_dataframe['flipper_length_mm'], kde = Faux, couleur="bleu", bacs=10)
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
# Montrer l'intrigue
plt.show()
Histogramme de ligne
Les histogrammes linéaires sont utilisés pour observer la distribution d'une seule variable avec de nombreux points de données.
Tracé d'histogramme de ligne à l'aide de Matplotlib
#Création du jeu de données df_1 = np.aléatoire.normal(0, 1, (1000, )) densité = stats.gaussian_kde(df_1) #Création de l'histogramme de la ligne m, X, _ = plt.hist(df_1, bins=np.linspace(-3, 3, 50), histtype=u'step', densité=Vrai) plt.plot(X, densité(X)) #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') #Montrer l'intrigue plt.show()
Graphique d'histogramme linéaire avec Seaborn
#Lecture du jeu de données
penguins_dataframe = sns.load_dataset("pingouins")
#Tracer l'histogramme de la ligne
sns.distplot(pingouins_dataframe['flipper_length_mm'], hist = Faux, où = Vrai, étiquette="Afrique")
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
# Montrer l'intrigue
plt.show()
Nuage de points
Les diagrammes de dispersion peuvent être utilisés pour identifier les relations entre deux variables. Peut être utilisé efficacement dans des circonstances où la variable dépendante peut avoir plusieurs valeurs pour la variable indépendante.
Nuage de points à l'aide de Matplotlib
#Création du jeu de données
df = sns.load_dataset("des astuces")
#Création du nuage de points
plt.scatter(df[total_bill'],df['tip'],alpha=0,5 )
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
#Montrer l'intrigue
plt.show()
Nuage de points utilisant Seaborn
#Lecture du jeu de données
bill_dataframe = sns.load_dataset("des astuces")
#Création d'un nuage de points
sns.scatterplot(data=bill_dataframe, x="Facture totale", y ="Astuce")
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
# Montrer l'intrigue
plt.show()
Graphique à bulles
Les graphiques en nuage de points peuvent être utilisés pour représenter et montrer les relations entre trois variables.
Graphique à bulles avec Matplotlib
#Création du jeu de données
np.random.seed(42)
N = 100
x = np.aléatoire.normal(170, 20, N)
y = x + np.aléatoire.normal(5, 25, N)
couleurs = np.random.rand(N)
zone = (25 * np.random.rand(N))**2
df = pd.DataFrame({
'X': X,
'Y': Oui,
'Colors': couleurs,
"taille_bulle":Région})
#Création du graphique à bulles
plt.scatter('X', 'Y', s="taille_bulle",alpha=0,5, données=df)
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
#Montrer l'intrigue
plt.show()
Graphique à bulles avec Seaborn
#Lecture du jeu de données
bill_dataframe = sns.load_dataset("des astuces")
#Création d'un graphique à bulles
sns.scatterplot(data=bill_dataframe, x="Facture totale", y ="Astuce", teinte ="Taille", taille ="Taille")
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
# Montrer l'intrigue
plt.show()
Box plot
Une boîte à moustaches est utilisée pour montrer la forme de la distribution, sa valeur centrale et sa variabilité.
Box plot en utilisant Matplotlib
de past.builtins importer xrange #Création du jeu de données df_1 = [[1,2,5], [5,7,2,2,5], [7,2,5]] df_2 = [[6,4,2], [1,2,5,3,2], [2,3,5,1]] #Création de la boîte à moustaches tiques = ['A', 'B', 'C'] plt.figure() bpl = plt.boxplot(df_1, positions=np.tableau(xrange(longueur(df_1)))*2.0-0.4, sym='', largeurs=0.6) bpr = plt.boxplot(df_2, positions=np.tableau(xrange(longueur(df_2)))*2.0+0.4, sym='', largeurs=0.6) plt.plot([], c="#D7191C", étiquette="Étiqueter 1") plt.plot([], c="#2C7BB6", étiquette="Étiqueter 2") #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') plt.légende() plt.xticks(xrange(0, longueur(tiques) * 2, 2), tiques) plt.xlim(-2, longueur(tiques)*2) plt.ylim(0, 8) plt.tight_layout() #Montrer l'intrigue plt.show()
Box plot utilisant Seaborn
#Lecture du jeu de données
bill_dataframe = sns.load_dataset("des astuces")
#Création de boîtes à moustaches
ax = sns.boxplot(x="journée", y ="Facture totale", teinte ="fumeur", data=bill_dataframe, palette="Ensemble3")
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
# Montrer l'intrigue
plt.show()
Graphique en cascade
Un graphique en cascade peut être utilisé pour expliquer la transition progressive de la valeur d'une variable soumise à des augmentations ou des diminutions.
#Lecture du jeu de données test = pd.Série(-1 + 2 * np.random.rand(10), index=liste('abcdefghij')) #Fonction pour créer un graphique en cascade chute d'eau def(séries): df = pd.DataFrame({'pos':np.maximum(séries,0),'neg':np.minimum(séries,0)}) vide = series.cumsum().décalage(1).remplir(0) df.plot(type='bar', stacked=True, bas = vierge, couleur=['r','b'], alpha=0,5) step = blank.reset_index(drop=Vrai).répéter(3).décalage(-1) étape[1::3] = np.nan plt.plot(step.index, step.values,'k') #Création du graphique en cascade cascade(test) #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') #Montrer l'intrigue plt.show()
schéma de Venn
Les diagrammes de Venn sont utilisés pour voir les relations entre deux ou trois ensembles d'éléments. Mettre en évidence les similitudes et les différences
depuis matplotlib_venn importer venn3 #Faire un tableau d'amis ami3(sous-ensembles = (10, 8, 22, 6,9,4,2)) plt.show()
Carte arborescente
Les treemaps sont principalement utilisés pour afficher des données regroupées et imbriquées dans une structure hiérarchique et pour observer la contribution de chaque composant.
importer squarify tailles = [40, 30, 5, 25, 10] squarify.plot(tailles) #Ajout de l'esthétique plt.titre('Chart title') plt.xlabel('X axis title') plt.ylabel('Y axis title') # Montrer l'intrigue plt.show()
Graphique à barres 100% empilé
Vous pouvez profiter d'un graphique à barres empilées en 100% quand on veut montrer les différences relatives au sein de chaque groupe pour les différents sous-groupes disponibles.
#Lecture du jeu de données
r = [0,1,2,3,4]
raw_data = {'greenBars': [20, 1.5, 7, 10, 5], 'orangeBars': [5, 15, 5, 10, 15],'blueBars': [2, 15, 18, 5, 10]}
df = pd.DataFrame(données brutes)
# De la valeur brute au pourcentage
totaux = [i+j+k pour i,j,k en zip(df['greenBars'], df['orangeBars'], df['blueBars'])]
barres vertes = [je / j * 100 pour moi,j en zip(df['greenBars'], totaux)]
orangeBars = [je / j * 100 pour moi,j en zip(df['orangeBars'], totaux)]
barres bleues = [je / j * 100 pour moi,j en zip(df['blueBars'], totaux)]
# terrain
barWidth = 0.85
noms = ('A','B','C','D','E')
# Créer des barres vertes
plt.bar(r, barres vertes, couleur="#b5ffb9", edgecolor="blanche", largeur=barWidth)
# Créer des barres oranges
plt.bar(r, orangeBars, bas = barres vertes, couleur="#f9bc86", edgecolor="blanche", largeur=barWidth)
# Créer des barres bleues
plt.bar(r, blueBars, bas =[i+j pour i,j en zip(barres vertes, orangeBars)], couleur="#a3acff", edgecolor="blanche", largeur=barWidth)
# Axe x personnalisé
plt.xticks(r, noms)
plt.xlabel("grouper")
#Ajout de l'esthétique
plt.titre('Chart title')
plt.xlabel('X axis title')
plt.ylabel('Y axis title')
plt.show()
Parcelles marginales
Les graphiques marginaux sont utilisés pour évaluer la relation entre deux variables et examiner leurs distributions. Ces nuages de points qui ont des histogrammes, boîtes à moustachesDiagrammes encadrés, Aussi connu sous le nom de diagrammes en boîte et à moustaches, sont des outils statistiques qui représentent la distribution d’un ensemble de données. Ces diagrammes montrent la médiane, quartiles et valeurs aberrantes, Permettre de visualiser la variabilité et la symétrie des données. Ils sont utiles pour la comparaison entre différents groupes et pour l’analyse exploratoire, faciliter l’identification des tendances et des modèles dans les données.... ou des diagrammes à points sur les marges des axes Xey respectifs
#Lecture du jeu de données
iris_dataframe = sns.load_dataset('iris')
#Création de graphiques marginaux
sns.jointplot(x=iris_dataframe["longueur_sépale"], y = iris_dataframe["sepal_width"], kind='scatter')
# Montrer l'intrigue
plt.show()
Sous-parcelas
Les sous-trames sont des affichages puissants qui facilitent les comparaisons entre les trames
#Création du jeu de données
df = sns.load_dataset("iris")
df=df.groupby('sepal_length')['sepal_width'].somme().encadrer().reset_index()
#Création de l'intrigue secondaire
figure, axes = plt.subplots(nrows = 2, ncols = 2)
ax=df.plot('sepal_length', 'sepal_width',hache=axes[0,0])
ax.get_legend().supprimer()
#Ajout de l'esthétique
ax.set_title('Chart title')
ax.set_xlabel('X axis title')
ax.set_ylabel('Y axis title')
ax=df.plot('sepal_length', 'sepal_width',hache=axes[0,1])
ax.get_legend().supprimer()
ax=df.plot('sepal_length', 'sepal_width',hache=axes[1,0])
ax.get_legend().supprimer()
ax=df.plot('sepal_length', 'sepal_width',hache=axes[1,1])
ax.get_legend().supprimer()
#Montrer l'intrigue
plt.show()
En conclusion, il existe une variété de bibliothèques différentes qui peuvent être exploitées à leur plein potentiel en comprenant le cas d'utilisation et les exigences. La syntaxe et la sémantique varient d'un package à l'autre et il est essentiel de comprendre les défis et les avantages des différentes bibliothèques.. Bon visionnage!
Data scientist et passionné de données analytiqueL’analytique fait référence au processus de collecte, Mesurer et analyser les données pour obtenir des informations précieuses qui facilitent la prise de décision. Dans divers domaines, Comme les affaires, Santé et sport, L’analytique peut identifier des modèles et des tendances, Optimiser les processus et améliorer les résultats. L’utilisation d’outils et de techniques statistiques de pointe est essentielle pour transformer les données en connaissances applicables et stratégiques....
Les supports présentés dans cet article ne sont pas la propriété d'Analytics Vidhya et sont utilisés à la discrétion de l'auteur..
