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 Seaborn Rugglot
  • Создание Seaborn Rugplot с помощью Rugglot
  • Объедините коврик Seaborn с другим сюжетом
  • Добавление дополнительных категорий в Seaborn Rugplots с помощью Hue
  • Изменение ширины линий и альфа в Seaborn Rugplots
  • Заключение
  • Дополнительные ресурсы
  1. Учебники Matplotlib и Seaborn
  2. Seaborn

Seaborn rugplot – Визуализация маргинальных распределений

PreviousSeaborn ecdfplot – Эмпирические функции накопленного распределенияNextSeaborn kdeplot – Создание графиков оценки плотности ядра

Last updated 1 year ago

В этом руководстве вы научитесь использовать функцию rugplot() библиотеки Seaborn для построения распределений на полях, чтобы визуализировать распределение набора данных. Rug-графики - ценные инструменты для визуализации распределения наборов данных, позволяющие глубже понять ваши данные. В этом учебном пособии вы узнаете об различных параметрах и опциях функции rugplot в Seaborn.

К концу этого урока вы узнаете следующее:

  • Как работает функция Seaborn rugglot()

  • Как настроить коврики Seaborn, используя ширину линий и прозрачность

  • Как добавить коврики Seaborn к другим участкам

Оглавление

Понимание функции Seaborn Rugglot

Перед тем как приступить к созданию rugplot в Seaborn, давайте рассмотрим параметры и аргументы по умолчанию функции rugplot в Seaborn:

# Понимание функции rugplot()
seaborn.rugplot(data=None, *, x=None, y=None, hue=None, height=0.025, expand_margins=True, palette=None, hue_order=None, hue_norm=None, legend=True, ax=None, **kwargs)

Функция предлагает большое разнообразие параметров. Хотя мы и не рассмотрим все из них в этом учебном пособии, мы исследуем наиболее важные из них, такие как:

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

  • x= и y= предоставляют переменные для построения по осям x и y соответственно.

  • hue= добавляет дополнительную переменную к графику через цветовое сопоставление

Давайте приступим к созданию линейных диаграмм в Seaborn.

Создание Seaborn Rugplot с помощью Rugglot

Чтобы создать простой коврик-диаграмму (rug plot), мы можем просто передать Pandas DataFrame в параметр data= и метку столбца в параметр x= или y=. Давайте посмотрим, как это выглядит:

# Создание графика-полоски (rug plot) в Seaborn
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('penguins')

sns.rugplot(data=df, x='body_mass_g')
plt.show()

В приведенном выше примере мы импортировали наши библиотеки – Seaborn и Matplotlib. Затем мы загрузили наш набор данных с помощью функции load_dataset() из Seaborn. Наконец, мы создали rug plot, передав 'body_mass_g' в параметр x=. Это возвращает приведенный ниже график:

Ковровая диаграмма показывает, сколько точек данных находится в каждой части распределения. Это позволяет лучше понять кластеризацию в определенных точках набора данных.

В следующем разделе вы узнаете, как сочетать ругплот (rug plot) с другим графиком в Seaborn.

Объедините коврик Seaborn с другим сюжетом

Сам по себе график-коврик (rugplot) в Seaborn показывает довольно много деталей, но кажется не таким полезным, как другие графики распределения, такие как графики KDE и гистограммы. Однако сила графика-коврика проявляется, когда его комбинируют с другим графиком.

Чтобы объединить коврик для графика Seaborn с другим графиком, вы можете просто наложить функции уровня осей друг на друга. Давайте посмотрим, как мы можем сделать это, объединяя это с графиком рассеивания.

# Комбинирование графика-полоски (rug plot) в Seaborn
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('penguins')

sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm')
sns.rugplot(data=df, x='body_mass_g', y='bill_length_mm')
plt.show()

В приведенном выше коде сначала мы вызываем функцию scatterplot() библиотеки Seaborn, а затем вызываем функцию rugplot(). Это приводит к следующей визуализации данных:

Путем объединения графика с ковриком и точечной диаграммой мы можем увидеть, как изменяется распределение в различных частях набора данных.

Добавление дополнительных категорий в Seaborn Rugplots с помощью Hue

Как и для других графиков Seaborn, мы можем настраивать отображение rugplot'ов, добавляя цветовую семантику с помощью параметра hue=. Это позволяет видеть, как распределены различные части набора данных. Давайте посмотрим, как мы можем добавить семантику hue к нашему rugplot'у в Seaborn.

# Добавление цвета к графику-полоске (rug plot) в Seaborn
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('penguins')

sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', hue='sex')
sns.rugplot(data=df, x='body_mass_g', y='bill_length_mm', hue='sex')
plt.show()

В приведенном выше блоке кода мы добавили параметр hue= к каждому из наших вызовов функции. Это окрашивает как ковровую диаграмму, так и вторичную диаграмму в соответствии с каждой категорией на графике.

При этой настройке важно не добавлять слишком много цветных элементов. Поскольку ковровая диаграмма довольно плотная, добавление слишком большого количества цветных точек сделает визуализацию более сложной для понимания.

Изменение ширины линий и альфа в Seaborn Rugplots

При работе с наборами данных, содержащими большое количество точек, детали rugplot теряются. Чтобы решить эту проблему, мы можем использовать параметры alpha= и lw=. Эти параметры контролируют прозрачность и ширину линии индивидуальных полос в rugplot Seaborn

# Изменение толщины линии и прозрачности в графиках-полосках (rugplot) Seaborn
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('penguins')

sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm')
sns.rugplot(data=df, x='body_mass_g', y='bill_length_mm', alpha=0.1, lw=10)
plt.show()

В приведенном выше блоке кода мы установили значение alpha равным 0.1 и ширину линии равной 10. Это дает визуализацию, показанную ниже:

Мы можем видеть, как это может упростить понимание нашего коврового графика. По мере увеличения объема вашего набора данных, настройка параметров может значительно упростить понимание вашего графика.

Заключение

В этом руководстве вы научились использовать функцию rugplot() в Seaborn для создания информативных ругплотов в Seaborn, которые можно комбинировать с другими графиками. Ругплоты позволяют вам глубоко понять распределение данных.

Вы сначала узнали, какие параметры и аргументы по умолчанию предлагает функция rugplot в Seaborn. Затем вы научились создавать простые rugplot. На основе полученных знаний вы научились добавлять rugplot к другим визуализациям в Seaborn. После этого вы узнали, как добавить цветовую семантику для дополнительной детализации, а также как изменить прозрачность линий при больших объемах данных.

Дополнительные ресурсы

Чтобы узнать больше о связанных темах, изучите следующие ресурсы:

Создание простого коврика Seaborn
Объединение сюжета Rugplot с другим сюжетом в Seaborn
Разделение коврового рисунка Seaborn цветом с использованием оттенка
Изменение ширины линий и прозрачности в ковриках Seaborn

Seaborn displot — Графики распределения в Python
Seaborn histplot – Создание гистограмм в Seaborn
Seaborn kdeplot – Создание графиков оценки плотности ядра
Seaborn ecdfplot – Эмпирические кумулятивные функции распределения
Seaborn Rugglot() – Официальная документация
Понимание функции Seaborn Rugglot
Создание Seaborn Rugplot с помощью Rugglot
Объедините коврик Seaborn с другим сюжетом
Добавление дополнительных категорий в Seaborn Rugplots с помощью Hue
Изменение ширины линий и альфа в Seaborn Rugplots
Заключение
Дополнительные ресурсы
Combining a Rugplot with Another Plot in Seaborn
Creating a Simple Seaborn rugplot
Modifying Line Widths and Transparency in Seaborn rugplots
Splitting a Seaborn Rugplot with Color Using hue