Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Понимание функций Seaborn regplot() и lmplot()
  • Как построить график зависимости различных заказов с помощью Seaborn lmplot
  • Добавление оттенков переменных в Seaborn lmplot
  • Построение логистической регрессии на графике Seaborn
  • Создание небольших кратных (строк и столбцов) графиков регрессии
  • Построение регрессионного графика в Seaborn Jointplot
  • Заключение
  • Дополнительные ресурсы
  1. Учебники Matplotlib и Seaborn
  2. Seaborn

Регрессионные графики в Seaborn с использованием regplot и lmplot

PreviousSeabornNextSeaborn residplot – Построение остатков линейной регрессии

Last updated 1 year ago

В этом руководстве вы научитесь использовать Seaborn для создания графиков регрессии с помощью функций sns.regplot() и sns.lmplot(). Может показаться странным, что Seaborn предлагает две функции для построения регрессивных отношений. Не волнуйтесь — это руководство упростит все, что вам нужно знать.

К концу этого урока вы научитесь следующему:

  • Как использовать функции Seaborn regplot() и lmplot() для построения графиков регрессии

  • Как понять разницу между двумя функциями

  • Как настроить графики с небольшими кратными, заголовками и метками осей

  • Как построить графики логистической регрессии и построить регрессионные отношения в совместных графиках Seaborn

Содержание

Понимание функций Seaborn regplot() и lmplot()

Seaborn предлагает две функции для создания графиков регрессии: regplot и lmplot. Несмотря на кажущееся дублирование, эти две функции предоставляют различный функционал.

Основные различия между двумя регрессионными функциями заключаются в следующем:

  1. Функция sns.lmplot() возвращает график (точнее, FacetGrid) и может использоваться для отображения дополнительных переменных с помощью цветовой семантики.

  2. sns.regplot() возвращает объект осей, что позволяет легко применять методы уровня осей.

Давайте рассмотрим, как можно использовать функцию sns.lmplot() для построения линейной зависимости:

# Создание простого lmplot в Seaborn
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о пингвинах
df = sns.load_dataset('penguins')

# Построение lmplot
sns.lmplot(data=df, x='flipper_length_mm', y='body_mass_g')

# Отображение графика
plt.show()

В приведенном выше примере мы загрузили набор данных о пингвинах, встроенный в Seaborn. Затем мы использовали функцию lmplot() для построения отношения между длиной ласт и массой тела. Это привело к созданию изображения ниже:

Теперь давайте посмотрим, как мы можем использовать функцию regplot() для построения того же отношения:

# Создание простого regplot в Seaborn
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о пингвинах
df = sns.load_dataset('penguins')

# Построение regplot
sns.regplot(data=df, x='flipper_length_mm', y='body_mass_g')

# Отображение графика
plt.show()

В приведенном выше блоке кода мы просто изменили функцию на использование функции regplot(). Это привело к следующему изображению:

Как построить график зависимости различных заказов с помощью Seaborn lmplot

Функции regplot() и lmplot() в Seaborn позволяют строить взаимосвязи регрессии различных порядков. Для этого мы можем использовать аргумент order=, который позволяет передавать различные порядки в любую из функций.

Давайте загрузим другой набор данных, который использует квадратичную зависимость. В следующем блоке кода мы укажем другой порядок:

# Изменение порядка Seaborn графика регрессии
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о расходе топлива
df = sns.load_dataset('mpg')

# Построение графика регрессии с порядком 2
sns.lmplot(data=df, x='horsepower', y='mpg', order=2)

# Отображение графика
plt.show()

Путём изменения порядка до 2, мы получаем график ниже, где кривая лучше отображает данные:

В следующем разделе вы узнаете, как добавить дополнительную переменную, используя семантику цвета.

Добавление оттенков переменных в Seaborn lmplot

Чтобы добавить дополнительную переменную с использованием семантики цвета, можно передать параметр hue= в функцию lmplot(). Это основное отличие между двумя функциями: только функция lmplot() позволяет передать дополнительную переменную для отображения ее цветом.

Давайте рассмотрим, как мы можем разделить данные по другой переменной. В качестве дополнительного бонуса мы добавим разделение данных с использованием различных маркеров. Это позволит сделать данные более доступными, особенно при печати в черно-белом режиме.

# Использование параметра Hue для добавления дополнительной переменной в Seaborn lmplot()
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о пингвинах
df = sns.load_dataset('penguins')

# Построение lmplot с использованием параметра Hue для видов пингвинов и настройкой маркеров
sns.lmplot(data=df, x='flipper_length_mm', y='body_mass_g', hue='species', markers=['x', 'o', '*'])

# Отображение графика
plt.show()

В приведенном выше блоке кода мы разделяем набор данных с использованием параметра hue=. Это позволяет передать дополнительный метку столбца, что делит данные на разные цвета. Также это строит отдельные линии регрессии для каждой подкатегории данных.

В следующем разделе вы научитесь строить график зависимости логистической регрессии с помощью lmplot в Seaborn.

Построение логистической регрессии на графике Seaborn

Функции regplot() и lmplot() библиотеки Seaborn позволяют вам построить кривую логистической регрессии, используя параметр

Для моделирования этой зависимости давайте рассмотрим связь между полом пингвина и его массой тела. Чтобы данные были более наглядными, добавим некоторый уровень вертикального разброса, который лучше показывает распределение:

# Преобразование переменной 'sex' в числовой формат
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о пингвинах
df = sns.load_dataset('penguins')

# Преобразование категориальной переменной 'sex' в числовой формат
df['sex'] = df['sex'].map({'Male': 1, 'Female':0})

# Построение логистической регрессии с параметрами y_jitter и logistic
sns.lmplot(data=df, x='body_mass_g', y='sex', logistic=True, y_jitter=0.05)

# Отображение графика
plt.show()

В приведенном выше блоке кода мы указали Seaborn построить линию логистической регрессии, а также добавили немного "джиттера" к точечным диаграммам. Это приводит к следующему изображению ниже:

В следующем разделе вы узнаете, как строить малые множества (строки и столбцы) визуализаций.

Создание небольших кратных (строк и столбцов) графиков регрессии

Одной из наиболее впечатляющих возможностей библиотеки Seaborn является легкость добавления множественных графиков. Поскольку эти визуализации предполагают наличие нескольких изображений, нам необходимо использовать функцию уровня фигуры lmplot(). Давайте сначала рассмотрим добавление колонок графиков с использованием параметра

# Создание маленьких графиков регрессии
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о пингвинах
df = sns.load_dataset('penguins')

# Создание маленьких графиков регрессии с использованием параметра col для каждого вида пингвина
sns.lmplot(data=df, x='flipper_length_mm', y='body_mass_g', col='species')

# Отображение графиков
plt.show()

В приведенном выше блоке кода мы добавили col='species'. Это позволяет выделить каждый вид в свой собственный график и отобразить связи, как показано ниже:

Что замечательно в этом подходе, так это то, что мы можем добавить еще больше информации, используя семантику цвета. Для этого мы можем использовать параметр hue=, как показано ниже.

# Использование параметра Hue для добавления дополнительной переменной в Seaborn lmplot()
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о пингвинах
df = sns.load_dataset('penguins')

# Построение lmplot с использованием параметра Hue для переменной пола и разделением на графики по видам пингвинов
sns.lmplot(data=df, x='flipper_length_mm', y='body_mass_g', col='species', hue='sex')

# Отображение графиков
plt.show()

При разделении данных с использованием параметра hue=, мы можем увидеть, как данные распределяются как по видам, так и по полу пингвина, как показано ниже:

Наконец, мы также можем разделить наши мелкие множества, используя параметр row=. Это позволяет вам создавать матрицу из строк и колонок визуализаций, разделенных по двум разным переменным. Давайте посмотрим, как это выглядит:

# Добавление строк и столбцов данных в Seaborn lmplot
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о пингвинах
df = sns.load_dataset('penguins')

# Построение lmplot с разделением на графики по видам пингвинов и полу
sns.lmplot(data=df, x='flipper_length_mm', y='body_mass_g', col='species', row='sex')

# Отображение графиков
plt.show()

Путем выполнения этого действия, мы разделяем данные на столбцы и строки, используя переменные видов и пола. Это возвращает следующую визуализацию:

В последнем разделе ниже вы научитесь строить график регрессионной зависимости с использованием Seaborn jointplot.

Построение регрессионного графика в Seaborn Jointplot

Seaborn также позволяет вам визуализировать взаимосвязи регрессии с помощью совмещенного графика. Это позволяет вам наглядно увидеть линию регрессии, а также оценить распределение значений каждой из переменных. Давайте посмотрим, как мы можем это сделать:

# Построение совместного графика с контекстом регрессии
import seaborn as sns
import matplotlib.pyplot as plt

# Загрузка набора данных о пингвинах
df = sns.load_dataset('penguins')

# Построение совместного графика с контекстом регрессии
sns.jointplot(data=df, x='flipper_length_mm', y='body_mass_g', kind='reg')

# Отображение графика
plt.show()

В указанном выше блоке кода мы использовали функцию sns.jointplot() и применили аргумент kind='reg', чтобы построить линию регрессии. Ниже представлен полученный результат:

На приведенном выше графике мы построили совместный график с линией регрессии, а также нарисовали гистограммы данных вдоль краев графика.

Заключение

В этом уроке вы научились использовать Seaborn для построения регрессионных графиков с помощью функций sns.regplot() и sns.lmplot(). Сначала вы узнали различия между этими двумя функциями. Затем вы научились создавать простые регрессионные графики. После этого вы узнали, как изменять порядок зависимости, а также как строить модели логистической регрессии. Наконец, вы научились создавать небольшие множества визуализаций, а также использовать совместные графики для построения линий регрессии.

Дополнительные ресурсы

Чтобы узнать больше о схожих темах, ознакомьтесь с учебными пособиями ниже:

  • Линейный график Seaborn – Создавайте линейные графики с помощью Seaborn

  • Диаграммы рассеяния Seaborn в Python: полное руководство

  • Seaborn replot – Создание диаграмм рассеяния и линейных диаграмм

Пример графика регрессии с использованием Seaborn lmplot
Пример графика регрессии с использованием regplot Seaborn

Мы видим, что, сравнивая оба графика, можно заметить, что они отображают одну и ту же зависимость, хотя визуально они различаются. Например, функция lmplot() возвращает график, и имеет другой размер.

Когда линия лучше соответствует данным, результата регрессии будет приближаться к 1.

Использование разных порядков на графиках регрессии в Seaborn
Использование семантики оттенка в Seaborn lmplot
Построение логистической регрессии с использованием Seaborn lmplot
Построение столбцов небольших кратных чисел с использованием Seaborn lmplot
Использование столбцов и цветов в Seaborn lmplot
Использование строк и столбцов с небольшими кратными числами в Seaborn lmplot
Построение линии регрессии в совместном графике Seaborn

который был без осевых линий
значение R-квадрата
Seaborn regplot() — Официальная документация
Seaborn lmplot() — Официальная документация
Понимание функций Seaborn regplot() и lmplot()
Как построить график зависимости различных заказов с помощью Seaborn lmplot
Добавление оттенков переменных в Seaborn lmplot
Построение логистической регрессии на графике Seaborn
Создание небольших кратных (строк и столбцов) графиков регрессии
Построение регрессионного графика в Seaborn Jointplot
Заключение
Дополнительные ресурсы
Using a Hue Semantic in Seaborn lmplot
Using Columns and Colors in Seaborn lmplot
A Sample Regression Plot Using Seaborn regplot
Using Rows and Columns of Small Multiples in Seaborn lmplot
Plotting Logistic Regresson Using Seaborn lmplot
Using Different Orders in Regression Plots in Seaborn
A Sample Regression Plot Using Seaborn lmplot
Plotting a Regression Line in Seaborn jointplot
Plotting Columns of Small Multiples Using Seaborn lmplot