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 функции histplot Seaborn
  • Создание гистограммы Seaborn с помощью histplot
  • Создание горизонтальной гистограммы в Seaborn
  • Изменение ширины интервала в гистограммах Сиборна
  • Изменение количества интервалов в гистограммах Сиборна
  • Добавление оценки плотности ядра в гистограммы Seaborn
  • Добавление дополнительных данных с помощью цвета в гистограммы Seaborn
  • Добавление дополнительных цветов в гистограммы Сиборна
  • Отображение процентов, а не количества на гистограммах Seaborn
  • Использование логарифмической шкалы в гистограмме Seaborn
  • Создайте накопительную гистограмму в Seaborn
  • Создание гистограммы тепловой карты Seaborn
  • Заключение
  • Дополнительные ресурсы
  1. Учебники Matplotlib и Seaborn
  2. Seaborn

Seaborn histplot – Создание Гистограмм в Seaborn

PreviousSeaborn kdeplot – Создание графиков оценки плотности ядраNextSeaborn catplot – Визуализация категориальных данных в Python

Last updated 1 year ago

В этом руководстве вы научитесь использовать функцию histplot() библиотеки Seaborn для создания гистограмм, которые визуализируют распределение набора данных. Гистограммы — ценные инструменты для визуализации распределения наборов данных, позволяющие получить глубокое представление о ваших данных. В этом уроке вы узнаете о различных параметрах и опциях функции histplot в Seaborn.

К концу этого руководства вы научитесь следующему:

  • Как работает функция Seaborn histplot()

  • Как настроить гистограммы Seaborn, используя цвет, оценки плотности ядра и различные интервалы

  • Как визуализировать две непрерывные переменные с помощью функции гистограммы Сиборна

Оглавление

  • С

Понимание функции histplot Seaborn

Перед тем как погрузиться в создание гистограмм в Seaborn, давайте рассмотрим функцию sns.histplot(). Посмотрите на приведенный ниже блок кода, чтобы увидеть различные параметры, которые предлагает функция:

# Understanding the Seaborn histplot() Function
seaborn.histplot(data=None, *, x=None, y=None, hue=None, weights=None, stat='count', bins='auto', binwidth=None, binrange=None, discrete=None, cumulative=False, common_bins=True, common_norm=True, multiple='layer', element='bars', fill=True, shrink=1, kde=False, kde_kws=None, line_kws=None, thresh=0, pthresh=None, pmax=None, cbar=False, cbar_ax=None, cbar_kws=None, palette=None, hue_order=None, hue_norm=None, color=None, log_scale=None, legend=True, ax=None, **kwargs)

Мы видим, что функция предлагает огромное количество параметров. Хотя это руководство не рассматривает их все, вы узнаете о наиболее важных, включая:

  • data= предоставляет данные для построения графика с помощью DataFrame библиотеки Pandas

  • x= и y= задают переменные для осей x и y соответственно

  • hue= добавляет дополнительную переменную для отображения с помощью цветовой кодировки

  • binwidth= и bins= определяют соответственно ширину каждого интервала и общее количество интервалов, которые должны быть отображены на графике.

Теперь, когда у вас есть хорошее понимание параметров, которые предлагает функция sns.histplot(), давайте перейдем к созданию гистограмм.

Создание гистограммы Seaborn с помощью histplot

Для создания гистограммы в Seaborn, используя DataFrame из Pandas, вам необходимо использовать только два параметра:

  1. data= относится к DataFrame, который вы хотите визуализировать, и

  2. x= относится к метке столбца, для которой вы хотите создать гистограмму

Давайте посмотрим, как это выглядит:

# Creating a Simple Histogram
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price')
plt.show()

В приведенном выше блоке кода мы импортировали как Seaborn, так и Matplotlib. Затем мы создали гистограмму с использованием функции sns.histplot(), в результате чего был получен следующий визуал:

Мы видим, что Seaborn автоматически создал для нас интервалы. Это то, что вы скоро научитесь настраивать. Однако пока давайте сосредоточимся на повороте данных для создания горизонтальной гистограммы.

Создание горизонтальной гистограммы в Seaborn

Чтобы повернуть гистограмму и создать горизонтальную гистограмму в Seaborn, можно просто отобразить метку столбца, которую вы использовали, на параметр y=. Это создаст длины интервалов, вместо высот интервалов.

Давайте посмотрим, как это выглядит на Python:

# Creating a Horizontal Histogram
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, y='price')
plt.show()

В приведенном выше блоке кода мы просто поменяли местами параметры x= и y=. Это позволило нам построить график горизонтально, а не вертикально.

Теперь давайте более подробно рассмотрим некоторые из самых интересных аспектов функции и исследуем, как мы можем изменить ширину бина в гистограммах.

Изменение ширины интервала в гистограммах Сиборна

Чтобы изменить ширину интервалов в гистограмме Seaborn, вы можете использовать параметр binwidth=. Параметр принимает число, которое обозначает ширину каждого интервала.

По умолчанию Seaborn пытается найти наиболее подходящую ширину интервалов. Однако возможность настроить этот параметр позволит вам изменить данное представление. Давайте посмотрим, как мы можем использовать функцию histplot() для создания интервалов шириной в 500.

# Modifying Bin Width in a Seaborn Histogram
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price', binwidth=500)
plt.show()

В указанном выше блоке кода мы изменили только параметр binwidth=, задав аргумент 500. Это дало изображение, показанное ниже:

На изображении выше мы настроили ширину столбцов нашей гистограммы. Мы видим, что это изменило некоторые детали нашей визуализации, в то время как общая тенденция и асимметрия остались прежними.

Изменение количества интервалов в гистограммах Сиборна

Аналогично, мы можем изменить количество интервалов, а не только их ширину. Это может быть чрезвычайно полезно, когда вы хотите создать определенное количество интервалов. **Чтобы изменить количество интервалов в гистограммах Seaborn, вы можете передать число интервалов в параметр bins=

Давайте посмотрим, как мы можем указать Seaborn создать десять корзин. Таким образом, мы больше не контролируем ширину корзин, что означает, что Seaborn создаст равномерно распределенные корзины.

# Customizing Bin Count in a Seaborn Histogram
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price', bins=10)
plt.show()

В приведенном выше блоке кода мы указали Seaborn создать гистограмму только из десяти корзин. Посмотрите на изображение ниже, чтобы увидеть результат этого. Теперь, когда у нас установлено конкретное количество корзин, это может привести к менее "чистым" корзинам, как показано ниже:

В следующем разделе вы научитесь добавлять оценку плотности ядра к визуализации.

Добавление оценки плотности ядра в гистограммы Seaborn

Seaborn позволяет легко нанести оценку плотности ядра поверх гистограммы. Это позволяет получить представление о распределении данных, что может быть полезно для более сложных гистограмм.

Чтобы нарисовать оценку плотности распределения на гистограммах Seaborn, вы можете установить параметр kde= в значение True. По умолчанию этот аргумент установлен в значение False, что означает, что оценка не будет отрисована.

# Adding a Kernel Density Estimate to the Histogram
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price', kde=True)
plt.show()

Давайте посмотрим, что возвращает Seaborn, когда мы просим его нарисовать оценку плотности ядра:

В следующем разделе вы научитесь добавлять дополнительные данные с помощью цвета в гистограммы Seaborn.

Добавление дополнительных данных с помощью цвета в гистограммы Seaborn

Мы можем добавить дополнительные детали к гистограмме Seaborn, используя другую переменную для цвета. Хотя основное распределение изменяться не будет, представленные детали дадут вам больше информации о данных.

Чтобы добавить дополнительную переменную, используя цвет, вы можете передать метку столбца в параметр

# Adding Additional Detail with Hue
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price', bins=10, hue='cut')
plt.show()

В кодовом блоке выше мы добавили колонку 'cut' в нашу визуализацию. Это приводит к визуализации ниже.

Мы видим, что хотя элементы данных были добавлены, они перекрываются. Разобраться в этом может быть очень сложно. Давайте посмотрим, как мы можем изменить этот подход в следующем разделе.

Добавление дополнительных цветов в гистограммы Сиборна

Чтобы уложить точки данных, разделенные по цветам, можно использовать аргумент multiple='stack'. Вместо создания перекрывающихся столбцов, это позволит Seaborn укладывать перекрывающиеся значения друг на друга.

Давайте посмотрим, как это выглядит:

# Stacking Additional Detail with Hue
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price', bins=10, hue='cut', multiple='stack')
plt.show()

При наложении каждой категории гистограмма Seaborn будет выглядеть примерно так же, как и без добавления hue=. Однако распределение будет разделено по разным категориям, как показано ниже:

В следующем разделе вы научитесь отображать проценты, а не количество.

Отображение процентов, а не количества на гистограммах Seaborn

By default, Seaborn histograms will show counts in the y-axis. However, we can modify this behavior to show percentages instead. In order to show percentages rather than counts in Seaborn histograms, we can pass in stat='percent'.

По умолчанию гистограммы в Seaborn показывают количество на оси Y. Однако это поведение можно изменить, чтобы отображать проценты. Чтобы отобразить проценты вместо количества в гистограммах Seaborn, можно использовать stat='percent'.

Давайте посмотрим, как выглядит этот код:

# Showing Percentages Rather Than Counts
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price', bins=10, stat='percent')
plt.show()

В предыдущем блоке кода мы изменили поведение так, чтобы рассчитывать проценты, а не количество, что привело к следующему изображению:

Seaborn позволяет рассчитывать ряд различных статистик. Для этого в параметре stat= можно использовать следующие аргументы

  • count: показать количество наблюдений в каждом интервале

  • frequency: показывает количество наблюдений, деленное на ширину интервала

  • probability or proportion: нормализуйте так, чтобы сумма высот столбцов равнялась 1

  • percent:нормализовать так, чтобы сумма высот столбцов равнялась 100

  • density: нормализуйте так, чтобы общая площадь гистограммы равнялась 1

В следующем разделе вы узнаете, как использовать логарифмическую шкалу в гистограмме.

Использование логарифмической шкалы в гистограмме Seaborn

В некоторых наборах данных более целесообразно отображать значения в логарифмическом масштабе. Это позволяет лучше понять распределение без необходимости создавать слишком растянутые визуализации.

Чтобы построить гистограмму, используя логарифмическую шкалу, можно передать параметр log_scale=True. Это изменит шкалу оси на логарифмическую.

# Using a Log Scale Rather Than an Absolute Scale
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price', log_scale=True)
plt.show()

В кодовом блоке выше, мы добавили инструкции для отображения данных в логарифмическом масштабе. Это привело к появлению изображения ниже:

Мы видим, что это вернуло аккуратную визуализацию в логарифмическом масштабе.

Создайте накопительную гистограмму в Seaborn

До сих пор вы учились создавать гистограммы, показывающие распределение для каждого интервала. Однако можно также создавать кумулятивное распределение, которое будет демонстрировать распределение в кумулятивном виде.

Чтобы создать кумулятивную гистограмму в Seaborn, можно передать параметр cumulative=True в функцию sns.histogram(). Это позволит накапливать значения в гистограмме.

# Showing Cumulative Distributions
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='price', cumulative=True)
plt.show()

Создавая кумулятивные гистограммы, вы можете более легко наблюдать, как распределение данных изменяется по мере прохождения через различные интервалы. Например, это позволяет легко заметить крупные скачки данных более интуитивно понятным образом, как показано ниже:

Seaborn также может отображать две непрерывные переменные в гистограмме. Давайте посмотрим, как это выглядит в следующем разделе.

Создание гистограммы тепловой карты Seaborn

При построении двух непрерывных переменных в функции histplot() Seaborn, Seaborn создаст тепловую карту, а не традиционную гистограмму. Для этого мы можем передать две метки столбцов в параметры x= и y=

Посмотрим, как это выглядит:

# Showing 2 Continuous Values Creates a Heat Map
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='carat', y='price')
plt.show()

В приведенном выше блоке кода мы передали столбец 'carat' в параметр x= и столбец 'price' в параметр y=. Это привело к следующей тепловой карте ниже:

На визуализации выше более темные элементы встречаются чаще, в то время как более светлые элементы - реже. Это позволяет вам увидеть гистограмму в двух измерениях, давая представление о том, где происходит кластеризация двух переменных.

Мы также можем расширить это, добавив другую переменную с использованием семантики цвета. Для этого мы можем использовать параметр hue=

# Showing 2 Continuous Values Creates a Heat Map with Color
import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(data=df, x='carat', y='price', hue='cut')
plt.show()

Путем выполнения этого действия мы добавили категориальную переменную. Это означает, что отдельные категории в столбце 'cut' отображаются разными цветами. Это позволяет увидеть, как распределяются кластеры различных типов огранки.

На данный момент мы добавили много информации в нашу визуализацию данных. Имейте в виду, что визуализация данных эффективна только тогда, когда она действительно способна передавать данные.

Заключение

В этом руководстве вы узнали, как использовать функцию histplot() в Seaborn для создания информативных гистограмм. Гистограммы позволяют глубоко понять распределение данных. Хотя они похожи на график количества Seaborn, они предоставляют значительную гибкость в терминах настройки визуализации данных.

Вы впервые узнали о том, что функция histplot в Seaborn предлагает в плане параметров и аргументов по умолчанию. Затем вы научились создавать простые гистограммы. После этого вы опирались на полученные знания, чтобы создать более сложные и информативные гистограммы, добавляя цвета, изменяя масштабы и многое другое. Наконец, вы научились создавать двумерные гистограммы в виде тепловых карт.

Дополнительные ресурсы

Чтобы узнать больше о связанных темах, посетите ресурсы ниже:

  • Построение гистограммы в Python с помощью Matplotlib и Pandas

Создание простой гистограммы
Создание горизонтальной гистограммы
Изменение ширины интервала в гистограмме
Изменение количества интервалов в гистограмме
Добавление оценки плотности ядра к гистограмме Сиборна
Добавление дополнительных переменных путем добавления цвета
Объединение дополнительных переменных с использованием цвета
Покажите проценты, а не количество на гистограмме Seaborn
Использование логарифмической шкалы в гистограмме Сиборна
Показ кумулятивного распределения на гистограмме Seaborn
Отображение двух непрерывных переменных на гистограмме Seaborn
Добавление цвета к тепловой карте гистограммы Seaborn

Гистограмма NumPy: понимание функции np.histogram
Seaborn displot — Графики распределения в Python
Seaborn kdeplot – Создание графиков оценки плотности ядра
Seaborn Rugplot – Построение графика предельных распределений
Seaborn ecdfplot – Эмпирические кумулятивные функции распределения
Seaborn histplot() – Официальная документация
Понимание функции histplot Seaborn
Создание гистограммы Seaborn с помощью histplot
оздание горизонтальной гистограммы в Seaborn
Изменение ширины интервала в гистограммах Seaborn
Изменение количества интервалов в гистограммах Seaborn
Добавление оценки плотности ядра в гистограммы Seaborn
Добавление дополнительных данных с помощью цвета в гистограммы Seaborn
Добавление дополнительных цветов в гистограммы Seaborn
Отображение процентов, а не количества на гистограммах Seaborn
Использование логарифмической шкалы в гистограмме Seaborn
Создайте накопительную гистограмму в Seaborn
Создание гистограммы тепловой карты Seaborn
Заключение
Дополнительные ресурсы
Creating a Simple Histogram
Modifying Bin Width in a Histogram
Stacking Additional Variables Using Color
Modifying Bin Count in a Histogram
Adding Additional Variables by Adding Color
Creating a Horizontal Histogram
Show Percentages Rather Than Counts in a Seaborn Histogram
Adding a Kernel Density Estimate to the Seaborn Histogram
Showing Two Continuous Variables in a Seaborn Histogram
Using a Log Scale in a Seaborn Histogram
Showing the Cumulative Distribution in a Seaborn Histogram
Adding Color to a Seaborn Histogram Heat Map