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
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • 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
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • 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 Seaborn relplot()
  • Загрузка образца набора данных
  • Создание базового relplot с помощью Seaborn
  • Создание линейной диаграммы с помощью Seaborn relplot
  • Изменение relplot Сиборна с помощью цвета, форм и размеров
  • Создание подмножеств графиков со строками и столбцами
  • Изменение названий и меток осей в Seaborn Relplot
  • Изменение размера Seaborn Relplot
  • Заключение
  • Дополнительные ресурсы
  1. Учебники Matplotlib и Seaborn
  2. Seaborn

Seaborn relplot – Создание точечных и линейных графиков

PreviousКак установить Seaborn в Python (Исправление: no module named seaborn)NextПолное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn

Last updated 1 month ago

В этом учебнике вы узнаете, как создавать реляционные графики Seaborn с использованием функции sns.relplot(). Реляционные графики показывают связь между двумя или более переменными. Например, вы можете использовать Seaborn для , чтобы показать связь между непрерывными переменными. Аналогично, вы можете захотеть создать диаграммы рассеяния.

Seaborn предоставляет специальные функции для обоих этих видов визуализаций. Так зачем же использовать функцию relplot()? Функция Seaborn relplot() является функцией на уровне фигуры, а не на уровне осей. Это открывает разные возможности в плане того, как вы можете компоновать свои визуализации.

К концу этого урока вы изучите следующее:

  • Что такое функция Seaborn relplot()

  • Когда следует использовать функцию Seaborn relplot() вместо sns.lineplot() и sns.scatterplot()

  • Как построить несколько диаграмм рассеяния и линейных графиков с помощью функции уровня рисунка sns.relplot()

  • Как настроить заголовки, цвета и многое другое

Оглавление

Понимание функции Seaborn relplot()

Функция Seaborn relplot() используется для создания реляционных графиков на уровне фигуры на Seaborn FacetGrid. Вы можете настроить тип создаваемой визуализации, используя параметр kind=. Функция предоставляет доступ к следующим функциям на уровне осей:

  • Seaborn scatterplot() для создания диаграмм рассеяния (по умолчанию)

  • Seaborn lineplot() для создания линейных

Функция relplot() из Seaborn предоставляет фигуративный интерфейс для создания реляционных графиков. Это означает, что функция позволяет привязываться к фигуре, а не к объекту оси, открывая больше возможностей.

Давайте посмотрим, как написана функция:

# Понимание функции Seaborn relplot()

seaborn.relplot(
    data=None,         # DataFrame, содержащий данные для построения графика
    x=None,            # Имя столбца DataFrame для оси x
    y=None,            # Имя столбца DataFrame для оси y
    hue=None,          # Имя столбца DataFrame для цветового кодирования точек/линий
    size=None,         # Имя столбца DataFrame для размера точек/линий
    style=None,        # Имя столбца DataFrame для стиля точек/линий (маркеры, штрихи)
    units=None,        # Имя столбца DataFrame для группировки точек/линий (для повторных измерений)
    row=None,          # Имя столбца DataFrame для разделения графика на строки подграфиков
    col=None,          # Имя столбца DataFrame для разделения графика на столбцы подграфиков
    col_wrap=None,     # Количество столбцов для переноса подграфиков в несколько строк
    row_order=None,    # Порядок строк подграфиков
    col_order=None,    # Порядок столбцов подграфиков
    palette=None,      # Палитра цветов для цветового кодирования
    hue_order=None,    # Порядок значений для цветового кодирования
    hue_norm=None,     # Нормализация значений для цветового кодирования
    sizes=None,        # Размеры точек/линий
    size_order=None,   # Порядок значений для размеров
    size_norm=None,    # Нормализация значений для размеров
    markers=None,      # Маркеры для точек
    dashes=None,       # Штрихи для линий
    style_order=None,  # Порядок значений для стилей
    legend='auto',     # Отображение легенды ('auto', 'brief', 'full', False)
    kind='scatter',    # Тип графика ('scatter', 'line')
    height=5,          # Высота каждого подграфика в дюймах
    aspect=1,          # Соотношение сторон каждого подграфика
    facet_kws=None,    # Дополнительные аргументы для FacetGrid
    **kwargs           # Дополнительные аргументы для графика (scatterplot или lineplot)
)

Функция имеет очень похожий интерфейс с другими функциями для построения реляционных графиков. Давайте рассмотрим некоторые ключевые параметры:

  • data= предоставляет данные для построения графика через DataFrame

  • x= и y= задают переменные для отображения на осях x и y соответственно.

  • hue= добавляет дополнительную переменную для отображения через цветовую схему

Кроме того, функция предлагает дополнительные параметры, доступные только в функции relplot(). Давайте изучим их:

  • Аргумент kind= определяет, какой тип графика создать. По умолчанию создается точечная диаграмма, используя ключевое слово scatter.

  • row= позволяет разбить ваш набор данных на дополнительные строки визуализаций.

  • col= позволяет разбить ваш набор данных на дополнительные столбцы визуализаций.

  • height= и aspect= управляют размером вашей визуализации данных.

Теперь, когда у вас есть четкое представление о возможностях, давайте подробно рассмотрим, как мы можем использовать функцию для создания полезных визуализаций данных.

Загрузка образца набора данных

Давайте посмотрим, как мы можем прочитать набор данных и исследовать его первые пять строк:

# Чтение образца набора данных

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

print(df.head())  # Вывод первых 5 строк DataFrame

# Возвращает:
#         Date    Volume  Name  Open
# 0 2020-12-31  20.94213  MSFT   221
# 1 2020-12-30  20.27234  MSFT   225
# 2 2020-12-29  17.40321  MSFT   226
# 3 2020-12-28  17.93350  MSFT   224
# 4 2020-12-24  10.55057  MSFT   221

Мы можем увидеть, что с помощью метода .head() можно вывести первые пять строк набора данных. У нас есть четыре столбца данных, охватывающие дату, название акции, объем торгов и цену открытия. Давайте посмотрим, как мы можем узнать больше об этом наборе данных, используя функцию relplot() из библиотеки Seaborn.

Создание базового relplot с помощью Seaborn

По умолчанию функция Seaborn relplot() создаст диаграмму рассеяния. Чтобы создать самую простую визуализацию, мы можем просто передать следующие параметры:

  • data= для передачи нашего DataFrame

  • x= и y= для передачи меток столбцов, которые мы хотим исследовать на диаграмме рассеяния

Давайте посмотрим, как выглядит:

# Seaborn Will Default to Scatterplots
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])

sns.relplot(data=df, x='Open', y='Volume')
plt.show()

В кодовом блоке выше мы передали наш DataFrame df, а также метки столбцов 'Open' и 'Volume'. Это вернуло следующую визуализацию:

Мы видим, что, поскольку мы строим график двух переменных, для нас была создана диаграмма рассеяния. Этот график позволяет нам исследовать взаимосвязь между двумя переменными, определяя, как они взаимодействуют.

Но что, если вы работаете с непрерывными данными, например, с датами? В таких случаях имеет больше смысла отображать данные в виде линий. Давайте исследуем это в следующем разделе.

Создание линейной диаграммы с помощью Seaborn relplot

В то время как функция Seaborn relplot() по умолчанию создает точечные диаграммы, мы также можем создавать линейные графики, передавая kind='line'. Это особенно полезно при работе с непрерывными данными, такими как даты. Поскольку в нашем наборе данных доступна переменная даты, давайте посмотрим, как мы можем это использовать:

# Добавление линии упростит понимание распределения

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

sns.relplot(data=df, x='Date', y='Volume', kind='line')  # Создание линейного графика (lineplot) с использованием столбцов 'Date' и 'Volume' для осей x и y соответственно
plt.show()  # Отображение графика

В приведенном выше блоке кода мы добавили один дополнительный именованный аргумент: kind=. Это позволило нам создать совершенно другую визуализацию данных, как показано ниже.

Функция relplot() фактически использует функцию lineplot(), поэтому их поведение одинаково. По умолчанию функция агрегирует данные в единичный маркер. Поскольку у нас есть три разные точки данных для каждой даты, Seaborn вернёт среднее значение каждой точки данных.

Этот процесс также требует понимания того, как изменяются данные. Именно поэтому Seaborn добавляет к визуализации полоски ошибки. Давайте изучим эти полоски ошибки более подробно.

Понимание полос ошибок в Seaborn relplot

Когда данные агрегируются в relplot Seaborn, Seaborn добавляет полосу ошибок к визуализации. В приведенном выше примере мы создали линейный график, который возвращал среднее значение для каждого дня (поскольку у нас было три точки данных на каждый день).

По умолчанию Seaborn использует метод бутстреппинга, чтобы получить 95%-й доверительный интервал, в пределах которого новые данные окажутся в пределах диапазона ошибки.

Это означает, что Seaborn будет использовать выборку с возвратом для вычисления среднего и повторит этот процесс несколько раз. По умолчанию это повторяется тысячу раз для каждого значения на оси X

Генерируется интервал доверия, в пределах которого новые значения с 95% вероятностью будут находиться. Однако у вас также есть возможность изменить как доверительный интервал, так и количество итераций бутстрапа, выполняемых Seaborn.

Мы также можем изменить процент, используемый в нашем доверительном интервале, передав кортеж, содержащий ('ci', n), где n представляет процент, который мы хотим использовать. Давайте изменим наш диапазон, чтобы показать доверительный интервал в 50%.

# Modifying the Error Bar in a Line Plot
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])
sns.relplot(data=df, x='Date', y='Volume', kind='line', errorbar = ('ci', 50))
plt.show()

Визуализация возвращается следующая. Обратите внимание, что диапазон теперь уже, так как ошибка диапазона теперь намного менее неопределенная.

Возможно, вы также заметите, что параметр errorbar= не является частью определения функции relplot(). Однако он является частью функции lineplot(). Seaborn позволяет использовать любые ключевые аргументы из этой функции при построении линейного графика.

А что если мы захотим изменить тип расчета ошибки? Seaborn также упрощает эту задачу!

Seaborn принимает следующие способы вычисления погрешностей: 'ci', 'pi', 'se' или 'sd', которые обозначают следующие расчёты:

  • 'ci': доверительный интервал, который вычисляет непараметрическую неопределенность

  • 'pi': процентильный интервал, который рассчитывает непараметрическое расхождение.

  • 'se': стандартная ошибка, которая вычисляет параметрическую неопределенность

  • 'sd': стандартное отклонение, которое вычисляет параметрическое распределение

Давайте теперь вернемся к настройке нашего реляционного графика, добавив цвета, формы

Изменение relplot Сиборна с помощью цвета, форм и размеров

Добавление дополнительных деталей к нашим графикам в Seaborn можно произвести с помощью цвета, форм и размеров. Все три эти опции позволяют добавить дополнительные измерения (или столбцы данных) к вашей визуализации. Это означает, что, хотя наши графики останутся двухмерными, мы фактически можем построить график с дополнительными измерениями.

Мы можем добавить это, используя следующие параметры:

  • hue= используется для добавления дополнительных параметров в настройки цвета.

  • size= используется для изменения размера формы с использованием данных из дополнительного столбца,

  • style= используется для изменения того, как значения отображаются с использованием стилей маркеров или линий.

Давайте рассмотрим, как добавить дополнительные уровни детализации с помощью цвета.

Добавляем цвета в Seaborn Relplot

Чтобы добавить дополнительную переменную в ваш Seaborn relplot(), вы можете использовать параметр hue=, чтобы передать столбец DataFrame, который разобьет данные на несколько цветов.

Seaborn создаст цвет для каждого уникального значения в этом столбце. Если вы работаете с категориальными данными, Seaborn добавит один цвет для каждого уникального значения. Если же вы работаете с непрерывными данными, Seaborn будет различно оттенять точки.

Добавление цветовых стилей и добавление цветовых измерений

В данном случае мы добавим цвет, чтобы отобразить другое измерение данных. Если вы хотите изменить стиль вашего графика, используйте параметр palette=. В оставшейся части руководства мы применим стиль, чтобы сделать стандартное оформление более эстетичным.

Давайте посмотрим, как мы можем использовать библиотеку Seaborn для добавления большего количества деталей в наш график с помощью параметра hue=

# Добавление цвета к нашему точечному графику Seaborn

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

sns.relplot(data=df, x='Open', y='Volume', palette='Set2', hue='Name')  # Создание точечного графика (scatterplot) с использованием столбцов 'Open' и 'Volume' для осей x и y соответственно, цветовое кодирование по столбцу 'Name' с использованием палитры 'Set2'
plt.show()  # Отображение графика

В приведенном выше блоке кода мы указали hue='Name'. Это означает, что мы хотим раскрасить точки на нашем диаграмме рассеивания по-разному в зависимости от того, к какой акции принадлежит точка данных. (Примечание: мы также применили палитру, хотя это исключительно для стилизации графика). Это возвращает следующее изображение:

Теперь визуализация данных стала намного яснее. Мы четко видим три разных кластера данных, что позволяет нам лучше понять закономерности в данных.

Изменение форм в сюжете Seaborn

Одна важная вещь, которую следует учитывать, это то, что добавление цвета в нашу визуализацию может сделать данные недоступными для людей с дальтонизмом. Аналогично, если мы распечатаем визуализацию на черно-белом принтере, смысл может быть утерян.

Благодаря этому, мы также можем изменить форму каждой точки данных, используя другой маркер. Давайте посмотрим, как мы можем использовать Seaborn для изменения форм:

# Изменение стилей маркеров в Seaborn

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

sns.relplot(data=df, x='Open', y='Volume', hue='Name', style='Name', palette='Set2')  # Создание точечного графика (scatterplot) с использованием столбцов 'Open' и 'Volume' для осей x и y соответственно, цветовое кодирование и стилизация маркеров по столбцу 'Name' с использованием палитры 'Set2'
plt.show()  # Отображение графика

В приведённом выше коде мы передали столбец 'Name' в параметры hue= и style=. Это означает, что столбец представлен как стилем маркера, так и цветом.

Хотите вместо этого создать линейный график?

Если бы мы создавали линейные графики, это изменило бы стиль линии (например, пунктирная, штриховая, сплошная и т. д.). Поскольку функция relplot() может использоваться для создания как точечной диаграммы, так и линейного графика, важно понимать, чего ожидать.

В этом случае мы возвращаем следующее изображение:

В следующем разделе давайте рассмотрим, как мы можем лучше понять распределение, используя размер маркера в качестве переменной.

Изменение размеров в Seaborn Relplot

Наконец, мы можем добавить больше деталей в реляционный график, используя параметр size=. Этот параметр позволяет передать другой столбец, который будет использован для определения размера маркеров.

# Добавление размерности размера к нашему точечному графику

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

filtered = df[df['Name'] == 'AAPL']  # Фильтрация DataFrame, оставляя только строки, где 'Name' равно 'AAPL'

sns.relplot(data=filtered, x='Date', y='Volume', size='Open')  # Создание точечного графика (scatterplot) с использованием столбцов 'Date' и 'Volume' для осей x и y соответственно, и размер точек, зависящий от значений столбца 'Open'
plt.show()  # Отображение графика

Это действие приводит к следующей визуализации. Мы видим, что цены открытия были выше для более поздних дат в году. Напротив, они были ниже для более ранних дат в году.

Теперь давайте посмотрим, как мы можем использовать эту функцию на уровне фрагмента для лёгкого создания подграфиков с помощью строк и столбцов визуализаций.

Создание подмножеств графиков со строками и столбцами

Seaborn предоставляет значительную гибкость в создании подмножеств графиков (или подграфиков), распределяя данные по строкам и столбцам. Это позволяет создавать "малые множества" графиков.

Вместо разделения визуализации с помощью цвета или стиля (хотя вы можете сделать и это), Seaborn разделяет визуализацию на несколько подграфиков. Однако, вместо необходимости явно задавать подграфики, Seaborn нанесет их на сетку FacetGrid

Давайте теперь рассмотрим, как мы можем сначала добавить столбцы с визуализациями

Добавление столбцов в Seaborn Relplot

Чтобы создать столбцы подграфиков, мы можем использовать параметр col=. Этот параметр принимает либо метку столбца DataFrame Pandas, либо массив данных. Разделим нашу визуализацию данных на столбцы в зависимости от того, к каким акциям они относятся:

# Использование столбцов для разделения данных по переменной

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

sns.relplot(data=df, x='Date', y='Volume', kind='line', col='Name')  # Создание линейного графика (lineplot), разделенного на столбцы по 'Name'
plt.show()  # Отображение графика

В кодовом блоке выше мы указали Seaborn создать колонки малых множеств с использованием столбца 'Name'. Это означает, что Seaborn создаст отдельный подграф в более широкой FacetGrid для каждого уникального значения в столбце 'Name'

Но что происходит, когда у нас много уникальных значений? Представьте, что мы создали столбец, в котором хранится каждый отдельный месяц. Seaborn будет продолжать добавлять новые столбцы. В этом случае Seaborn создаст двенадцать разных столбцов! Однако такой подход становится очень трудным для восприятия.

Из-за этого мы можем использовать параметр col_wrap= для переноса столбцов. Параметр принимает целое число, которое указывает, сколько столбцов должно быть, прежде чем диаграммы будут перенесены на другую строку.

# Перенос столбцов в Seaborn relplot()

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

df['Quarter'] = df['Date'].dt.quarter  # Создание нового столбца 'Quarter' с номером квартала из столбца 'Date'
sns.relplot(data=df, x='Open', y='Volume', col='Quarter', col_wrap=2, hue='Name', palette='Set2')  # Создание графика relplot, разделенного на столбцы по 'Quarter' и переносом столбцов по 2 в ряд, цветовое кодирование по 'Name' с использованием палитры 'Set2'
plt.show()  # Отображение графика

Это возвращает следующую визуализацию данных, где наши малые множества расположены вокруг второго столбца.

В следующем разделе вы узнаете, как добавить дополнительные строки визуализаций.

Добавление строк в Seaborn Relplot

Seaborn также позволяет передавать строки небольших множеств. Это работает так же, как добавление столбцов. Однако вы также можете комбинировать параметр rows= с параметром col=, чтобы создать строки и столбцы небольших множеств.

Посмотрим, как это выглядит:

# Создание строк и столбцов множественных графиков

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

df['Quarter'] = df['Date'].dt.quarter  # Создание нового столбца 'Quarter' с номером квартала из столбца 'Date'
sns.relplot(data=df, x='Open', y='Volume', row='Quarter', col='Name')  # Создание графика relplot, разделенного на строки по 'Quarter' и столбцы по 'Name'
plt.show()  # Отображение графика

Во фрагменте кода выше мы передали row='Quarter' и col='Name', чтобы разделить небольшие мультипликаторы на основе этих столбцов. Это возвращает следующую визуализацию:

Давайте теперь рассмотрим, как можно настроить визуализацию данных, добавив заголовки и метки осей на наши графики.

Изменение названий и меток осей в Seaborn Relplot

Добавление заголовков и описательных меток осей — отличный способ сделать вашу визуализацию данных более информативной. Во многих случаях читателям будет важно знать, что именно представляют собой точка данных и график. Поэтому важно понять, как настраивать их в Seaborn.

Добавление заголовка к сюжету Seaborn

Чтобы добавить заголовок к графику Seaborn с помощью метода relplot(), можно использовать метод fig.suptitle() из Matplotlib. Для этого сначала нужно будет отрегулировать интервалы нашего объекта фигуры. Этот процесс может быть немного эвристическим и требовать несколько попыток.

Нижеприведенным блоком кода показаны:

# Настройка заголовков в relplot()

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

df['Quarter'] = df['Date'].dt.quarter  # Создание нового столбца 'Quarter' с номером квартала из столбца 'Date'
df = df[df['Quarter'] < 3]  # Фильтрация DataFrame, оставляя только строки с кварталами 1 и 2

scatter = sns.relplot(data=df, x='Open', y='Volume', row='Quarter', col='Name')  # Создание графика relplot, разделенного на строки по 'Quarter' и столбцы по 'Name'

scatter.fig.subplots_adjust(top=0.92)  # Регулировка расположения подграфиков для размещения заголовка
scatter.fig.suptitle('Stock Volume vs Open Price', size=15)  # Добавление общего заголовка для всего графика
plt.show()  # Отображение графика

В приведённом выше фрагменте кода мы внесли ряд важных изменений:

  1. Мы отфильтровали DataFrame, чтобы визуализация была более легко читаемой.

  2. Мы присвоили переменной scatter значение функции

  3. Затем мы настроили верхний отступ с помощью fig.subplots_adjust()

  4. Затем мы добавили suptitle() к объекту фигуры

Этот возвратил следующую визуализацию данных:

Аналогично, мы можем настроить заголовки каждого из подграфиков, которые мы создаем. Давайте посмотрим, как это сделать.

Добавление заголовков к строкам и столбцам в Seaborn Relplot

Seaborn предоставляет невероятно гибкие параметры форматирования для стилизации маленьких множеств, созданных с помощью параметров col= и row= .

# Настройка заголовков подграфиков в relplot()

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

df['Quarter'] = df['Date'].dt.quarter  # Создание нового столбца 'Quarter' с номером квартала из столбца 'Date'
df = df[df['Quarter'] < 3]  # Фильтрация DataFrame, оставляя только строки с кварталами 1 и 2

scatter = sns.relplot(data=df, x='Open', y='Volume', row='Quarter', col='Name')  # Создание графика relplot, разделенного на строки по 'Quarter' и столбцы по 'Name'

scatter.fig.subplots_adjust(top=0.92)  # Регулировка расположения подграфиков для размещения заголовка
scatter.fig.suptitle('Stock Volume vs Open Price', size=15)  # Добавление общего заголовка для всего графика

scatter.set_titles(row_template='Company: {col_name}', col_template="Quarter #{row_name}", size=12)  # Установка заголовков для подграфиков на основе столбцов и строк
plt.show()  # Отображение графика

В кодовом блоке выше мы использовали метод .set_titles(), доступный объектам FacetGrid. Этот метод позволяет использовать параметры row_template= и col_template=, которые дают доступ к переменным col_name и row_name в синтаксисе, похожем на форматирование f

Это возвращает визуализацию данных ниже:

В следующем разделе вы узнаете, как настраивать метки осей в relplot библиотеки Seaborn.

Изменение меток осей в Seaborn Relplot

По умолчанию, Seaborn использует названия столбцов как подписи осей в визуализации. Однако во многих случаях это не очень описательное название. Поскольку функция relplot() возвращает объект FacetGrid, мы можем использовать вспомогательные методы для решения этой проблемы,

  • .set_xlabel(), который устанавливает метку оси x

  • .set_ylabel(), который устанавливает метку оси y

  • .set_axis_labels(), который устанавливает метки обеих осей: x и y

Давайте посмотрим, как это выглядит в Seaborn:

# Настройка меток осей в Seaborn relplot

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
    'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты

df['Quarter'] = df['Date'].dt.quarter  # Создание нового столбца 'Quarter' с номером квартала из столбца 'Date'
df = df[df['Quarter'] < 3]  # Фильтрация DataFrame, оставляя только строки с кварталами 1 и 2

scatter = sns.relplot(data=df, x='Open', y='Volume', row='Quarter', col='Name')  # Создание графика relplot, разделенного на строки по 'Quarter' и столбцы по 'Name'

scatter.fig.subplots_adjust(top=0.92)  # Регулировка расположения подграфиков для размещения заголовка
scatter.fig.suptitle('Stock Volume vs Open Price', size=15)  # Добавление общего заголовка для всего графика
scatter.set_titles(row_template='Company: {col_name}', col_template="Quarter #{row_name}", size=12)  # Установка заголовков для подграфиков на основе столбцов и строк

scatter.set_xlabels('Open Price')  # Установка метки оси x
scatter.set_ylabels('Volume Traded')  # Установка метки оси y
plt.show()  # Отображение графика

Во фрагменте кода выше, мы добавили две дополнительные строки кода к концу, чтобы настроить метки осей нашего визуализационного данных. Это возвращает следующую визуализацию данных:

В следующем разделе вы узнаете, как изменить размер relplot в Seaborn

Изменение размера Seaborn Relplot

Поскольку функция Seaborn relplot() возвращает объект FacetGrid, мы можем легко изменить размер возвращаемой фигуры. Для этого можно использовать два следующих параметра:

  1. height= определяет высоту каждой грани в дюймах

  2. aspect= который определяет соотношение сторон так, что ширина равна height * aspect

Давайте посмотрим, как изменить размер простой визуализации данных в Seaborn:

# Изменение размера визуализации данных Seaborn

# Изменение размера визуализации

import seaborn as sns  # Импорт библиотеки seaborn для визуализации данных
import pandas as pd  # Импорт библиотеки pandas для работы с данными
import matplotlib.pyplot as plt  # Импорт библиотеки matplotlib для построения графиков

df = pd.read_csv(
   'https://raw.githubusercontent.com/datagy/data/main/stocks-relplot.csv', 
    parse_dates=['Date'])  # Загрузка данных из CSV-файла и преобразование столбца 'Date' в формат даты
df['Month'] = df['Date'].dt.month  # Создание нового столбца 'Month' с номером месяца из столбца 'Date'

sns.relplot(
    data=df, x='Month', y='Volume', kind='line',  # Создание линейного графика (lineplot)
    hue='Name', palette='Set2',  # Цветовое кодирование по столбцу 'Name' с использованием палитры 'Set2'
    height=5, aspect=1.6)  # Установка высоты графика в 5 дюймов и соотношения сторон 1.6
plt.show()  # Отображение графика

В коде выше мы указали height=5, aspect=1.6. Это означает, что высота фасета будет 5 дюймов, а ширина — 8 дюймов (5 * 1.6). Это возвращает следующее визуальное представление данных:

Изменить размер визуализации невероятно просто. Это может быть очень полезно при работе с данными, которые распространяются по горизонтали или вертикали, уменьшая пустое пространство.

Заключение

В этом уроке вы узнали, как использовать функцию relplot() из библиотеки Seaborn для создания визуализаций взаимосвязей на уровне фигуры. Эта функция позволяет легко создавать диаграммы рассеяния и линейные графики, обеспечивая знакомый и согласованный интерфейс.

Сначала вы научились создавать простые объекты на уровне фигуры, затем перешли к более сложным примерам, добавляя дополнительные детали с помощью цвета, стиля и размера. Далее вы научились создавать малые множества, добавляя ряды и столбцы графиков. Наконец, вы научились настраивать визуализации, изменяя заголовки, метки осей и размер визуала.

Дополнительные ресурсы

Чтобы узнать больше о связанных темах, ознакомьтесь с ресурсами ниже

  • Seaborn lineplot – Create Line Plots with Seaborn

  • Seaborn lineplot – Создание линейных графиков с помощью Seaborn

Чтобы начать, давайте загрузим образец набора данных, который мы будем использовать на протяжении всего этого учебника. Набор данных доступен на и содержит информацию о акциях Microsoft, Apple и Google за 2020 год. Мы можем загрузить набор данных, используя Pandas. Это особенно полезно благодаря тесной интеграции Seaborn с библиотекой.

Создание простого графика
Создание простого линейного графика
Изменение штрихов ошибок в Seaborn relplot
Добавление цвета к Seaborn relplot с помощью параметра hue
Изменение маркеров в Seaborn relplot

В приведенном ниже примере мы так, чтобы отображались только записи для Apple. Мы также отображаем дату по оси x, что может не иметь большого смысла. Однако, пример покажет, как изменяется размер точек.

Изменение размера маркера в Seaborn relplot
Добавление столбцов малых множеств в Seaborn relplot

Давайте создадим столбец, который и обернём малые множественные:

Перенос столбцов небольших множеств в Seaborn relplot
Добавление строк и столбцов малых множеств в Seaborn
Добавление заголовка к графикам seaborn (relplot)
Добавление заголовков к небольшим множественным графикам в Seaborn relplot с колонками и строк
Изменение подписей осей в Seaborn
Изменение размера фигуры в Seaborn relplot

моей странице Github
фильтруем наш DataFrame
представляет квартал даты с использованием Pandas
Seaborn relplot() – Официальная документация
создания линейных графиков
Понимание функции Seaborn relplot()
Загрузка образца набора данных
Создание базового relplot с помощью Seaborn
Создание линейной диаграммы с помощью Seaborn relplot
Изменение relplot Сиборна с помощью цвета, форм и размеров
Создание подмножеств графиков со строками и столбцами
Изменение названий и меток осей в Seaborn Relplot
Изменение размера Seaborn Relplot
Заключение
Дополнительные ресурсы
Creating a Simple Scatterplot
Creating a Simple Line Plot
Changing the Markers in Seaborn relplot
Adding Color to Seaborn relplot with hue
Changing the Marker Size in Seaborn relplot
Modifying the Error Bar in Seaborn relplot
Adding Columns of Small Multiples in Seaborn relplot
Wrapping Columns of Small Multiples in Seaborn relplot
Adding Titles to Small Multiples in Seaborn relpot with columns and rows
Modifying Axis Labels in Seaborn relplot
Adding Rows and Columns of Small Multiples in Seaborn relplot
Adding a Title to Seaborn relplots
Changing Figure Size in Seaborn relplot