Скрипичные графики Seaborn в Python: Полное руководство

PreviousSeaborn swarmplot: Bee Swarm Plots для распределения категориальных данных NextНастройка расположения легенд Seaborn, меток, текста и т.д.

Last updated 10 days ago

Скрипичные графики Seaborn в Python: Полное руководство

В этом руководстве вы научитесь создавать скрипичные графики Seaborn используя функцию sns.violinplot(). Скрипичный график аналогичен графику "ящик с усами", так как он показывает визуальное представление распределения данных. Однако скрипичный график открывает гораздо больше данных, отображая распределение данных. Скрипичные графики особенно полезны, когда вы хотите сравнить распределение нескольких наборов данных и выявить выбросы.

К концу этого урока вы научитесь следующему:

Что такое диаграммы в виде скрипки и когда их следует использовать
Как работает функция sns.violinplot()
Как создать простые скрипичные графики в Seaborn
Как настроить скрипичные диаграммы в Seaborn, разделив по цвету, чтобы добавить дополнительные переменные
Как создать продвинутые скрипичные графики в Seaborn, обрезая их, добавляя линии деталей и изменяя способ расчета ширины скрипичного графика.

Оглавление

Понимание виолончельных графиков

Диаграмма скрипки очень похожа на диаграмму размаха и усов, которую также можно легко создать в Seaborn. Этот график позволяет визуализировать распределение количественных данных, разделенных по одной или нескольким категориальным переменным. Однако, в отличие от коробчатого графика, он является оценкой ядра плотности исходных данных.

Давайте посмотрим, как может выглядеть скрипичный граф

Давайте разберем некоторые ключевые компоненты скрипичного графика

Белая точка в центре графика показывает медиану распределения
Толстая чёрная полоса показывает межквартильный размах данных.
Более тонкая черная линия показывает данные, простирающиеся до 1,5 межквартильного размаха
Чем шире график в данной точке, тем более вероятно, что точка попадет в этот диапазон

Мы видим, что данные выглядят довольно гладкими. Это потому, что данные представляют собой оценку плотности ядра. Однако для больших выборок это может быть очень точным отображением распределения данных.

Хотя коробчатая диаграмма может показать нам много деталей, диаграммы-скрипки идут еще дальше!

Понимание функции violinplot в Seaborn

Seaborn использует функцию sns.violinplot() для создания виолончельных графиков. Функция имеет всего 21 параметр. Хотя это может показаться сложным, в этом руководстве вы узнаете о важных из них. На самом деле, вам не нужно много параметров, чтобы создать значимые виолончельные графики, поскольку Seaborn помогает упростить большую часть сложности.

Таблица ниже разбивает параметры функции sns.violinplot(), а также их значения по умолчанию и допустимые значения

Параметр

Аргумент по умолчанию

Описание

Принятые значения

data=

None

Набор данных для построения графика. Если x и y не указаны, набор данных интерпретируется как широкоформатный.

Входные данные:

DataFrame, массив, список

x=, y=, hue=

None

Вводимые данные для построения графика в длинной форме

Строка, вектор

order=, hue_order=

None

Порядок построения категориальных уровней. Если оставить пустым, выводится из данных.

список строк

bw=

'scott'

Правило отсчета или масштабный коэффициент, используемый при расчете пропускной способности ядра.

{‘scott’, ‘silverman’, float}

cut=

2

Насколько далеко можно расширить плотность за пределы экстремальных точек данных (с точки зрения пропускной способности)

float

scale=

'area'

Метод, используемый для масштабирования ширины каждой скрипки

{'area', 'count', 'width'}

scale_hue=

True

Когда скрипки вложены с использованием оттенков, это определяет, как рассчитывается масштабирование (по каждой основной группе или по всем скрипкам)

boolean

gridsize=

100

Nколичество точек в дискретной сетке, используемых для вычисления оценки плотности ядра

integer

width=

0.8

Ширина полного элемента без использования вложенности оттенков

Float

inner=

'box'

Представление точек данных во внутренней части скрипки

{“box”, “quartile”, “point”, “stick”, None}

split=

False

При использовании вложенности оттенков с переменной, которая принимает два уровня, установка split в True приведет к отображению половины скрипки для каждого уровня.

Boolean

dodge=

True

При вложении по тону, следует ли смещать элементы

Boolean

orient=

None

How to orient the plot

'v', 'h'

linewidth=

None

The width of the gray lines that frame the plot

Float

color=

None

Single color for all the elements of the plot

Matplotlib color

palette=

None

Colors to use for the different levels of the hue variable.

palette name, list, dict

saturation=

0.75

Proportion of the original saturation to draw colors at. Setting at 1 uses the full saturation.

Float

ax=

None

Axes object to draw the plt on

Matplotlib axes

Как видно из приведённой выше таблицы, функция предлагает множество параметров, которые помогут вам настроить создаваемые вами скрипичные графики. Однако не стоит пугаться. Этот гид сделает создание скрипичных графиков простым и интуитивно понятным. Давайте погрузимся в это

Загрузка образца набора данных

Для этого урока мы будем использовать набор данных 'tips', который входит в комплект поставки Seaborn. Этот набор данных содержит информацию о суммах счетов и чаевых для различных транзакций. Набор данных также предоставляет данные о времени, дне и дополнительную информацию о транзакции.

# Загрузка образец набора данных
import seaborn as sns
df = sns.load_dataset('tips')
print(df.head())

# Возвращает:
#    total_bill   tip     sex smoker  day    time  size
# 0       16.99  1.01  Female     No  Sun  Dinner     2
# 1       10.34  1.66    Male     No  Sun  Dinner     3
# 2       21.01  3.50    Male     No  Sun  Dinner     3
# 3       23.68  3.31    Male     No  Sun  Dinner     2
# 4       24.59  3.61  Female     No  Sun  Dinner     4

Теперь, когда у вас есть представление о том, как начать строить скрипичные графики с помощью Seaborn.

Как создать виолончельные графики Seaborn в Python

Давайте посмотрим, как мы можем создать простой график скрипки в Seaborn, используя функцию sns.violinplot(). Эта функция упрощает создание одиночных или множественных скрипичных графиков. Сначала давайте разберёмся, как создать одиночный график скрипки с помощью Seaborn.

Как построить одиночный скрипичный график в Seaborn

Функция violinplot() из библиотеки Seaborn использует формат, аналогичный всем функциям построения графиков в этой библиотеке. Это означает, что мы можем передавать набор данных в виде DataFrame из библиотеки Pandas и затем строить графики, используя знакомые параметры x= и y=. **Для создания одиночного графика "скрипки" в Seaborn, просто передайте DataFrame в параметр data=, а заголовок столбца в параметр y=

Давайте посмотрим, как это выглядит в Seaborn и Python:

# Создание виолин-графика с использованием библиотеки Seaborn

import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('tips')

sns.violinplot(data=df, y='tip')
plt.show()

В приведённом выше коде мы передали наш DataFrame, df, в параметр data=. Мы также передали заголовок столбца для 'tip' в параметр y=. Таким образом, мы указываем Seaborn, что хотим построить график распределения столбца 'tip'. Это возвращает следующую визуализацию:

Визуализация показывает данные, распределенные по сумме чаевых. Обратите внимание, что у нас фактически заполнена только одна ось – ось y, показывающая общую сумму чаевых. Распределение данных (т.е. функция ядерной плотности) показывает, сколько точек данных попадает под различные распределительные точки заданной суммы чаевых.

Мы можем многое узнать о визуализации здесь. Например, медиана составляет около $3, и половина данных находится в диапазоне примерно от $1.75 до $2.75. Давайте посмотрим, как мы можем более подробно разделить этот набор данных, добавив несколько скрипичных графиков.

Как построить несколько графиков для скрипки в Seaborn

Чтобы построить несколько скрипичных диаграмм в Seaborn, вы можете передать дополнительную метку столбца в параметр x=. Это разделит категориальную переменную на отдельные скрипичные графики с использованием меток на оси x. Давайте посмотрим, как мы можем добавить несколько скрипичных диаграмм, разделённых по дням недели:

# Создание нескольких виолин-графиков с использованием библиотеки Seaborn

import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('tips')

sns.violinplot(data=df, x='day', y='tip')
plt.show()

В приведенном выше примере мы добавили один дополнительный аргумент: x='day'. Это указывает Seaborn разбить визуализацию по категориальной переменной дня и создать один скрипичный график для каждого уникального дня недели. Это возвращает следующее изображение:

Мы можем видеть, что поскольку в наборе данных содержатся данные за четыре разных дня, создаются четыре скрипичных графика. Это позволяет лучше визуализировать распределение чаевых за каждый из этих четырех дней. Например, мы можем заметить, что хотя медианная чаевых для пятниц выше, чем для четвергов, на четвергах встречаются более высокие выбросы.

Как добавить цвет к скрипичным графикам Seaborn с помощью Hue

Мы можем дополнительно разделить скрипичные диаграммы Seaborn, разбив категорические переменные на подкатегории. Например, если мы уже разделили данные по дням, мы можем также разделить день по полу. Чтобы разделить скрипичные диаграммы по цвету, вы можете использовать параметр hue=. Это добавит одну дополнительную скрипичную диаграмму для каждого разделения. Давайте посмотрим, как это выглядит:

# Добавление дополнительных переменных к виолин-графикам Seaborn с использованием параметра hue

import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('tips')

sns.violinplot(data=df, x='day', y='tip', hue='sex')
plt.show()

В примере выше мы добавили дополнительный аргумент hue='sex'. Это указывает Seaborn дополнительно делить данные по переменной пола. Так как в этом столбце есть значения для Мужчин и Женщин, мы добавляем два дополнительных деления и получаем следующий результат:

На визуализации выше мы добавили дополнительное разделение в наш скрипичный график. Обратите внимание, что Seaborn автоматически добавил легенду к визуализации, указывая, какой цвет относится к какому полу. Seaborn позволяет настроить это иначе, разделив каждый скрипичный график пополам, вместо создания дополнительных скрипичных графиков.

Как разделить скрипичные графики Seaborn по переменным

Вместо того чтобы создавать отдельные виолончельные графики для каждой подпеременной, мы можем разделить каждый график пополам. Это позволяет лучше визуализировать различия между категориями. Для этого мы можем передать аргумент split=True

# Разделение дополнительных переменных с использованием параметра hue

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('tips')
sns.violinplot(data=df, x='day', y='tip', hue='sex', split=True)
plt.show()

Имейте в виду, что мы все еще разделяем наши данные, используя параметр hue=. Однако, указав split=True, каждая скрипка делится пополам. Это отображается на изображении ниже:

Хотя это показывает те же данные, что и раньше, теперь различия между полами понять гораздо легче.

В следующем разделе вы узнаете, как повернуть скрипичные графики горизонтально.

Как повернуть скрипичные графики Seaborn в горизонт

В некоторых случаях вы можете захотеть повернуть виолончельные графики Seaborn так, чтобы формы были горизонтальными, а не вертикальными. Это может позволить вам лучше увидеть распределение некоторых типов данных. Для этого нам нужно поменять местами параметры x= и y=. В большинстве случаев Seaborn сам определяет ориентацию. Однако, если вы хотите быть более точными, можете передать параметр orient='h'. Давайте посмотрим.

# Поворот виолин-графика Seaborn

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('tips')
sns.violinplot(data=df, x='tip', y='day')
# sns.violinplot(data=df, x='tip', y='day', orient='h')
plt.show()

Поворачивая наш график скрипки, мы получаем изображение

В следующем разделе вы узнаете, как строить графики скрипичных диаграмм на подграф

Как добавить графики скрипки Seaborn на подграф

В некоторых случаях вам потребуется создать несколько графиков Seaborn, используя подграфики. Это позволяет показать различные распределения на одном рисунке. Например, мы можем визуализировать, как различаются распределения для столбцов tip и total_bill. Давайте посмотрим, как это сделать:

# Использование подграфиков с виолин-графиками Seaborn

import matplotlib.pyplot as plt
import seaborn as sns

df = sns.load_dataset('tips')
fig = plt.figure(figsize=(10, 8))
grid = fig.add_gridspec(1, 2)

ax = fig.add_subplot(grid[0, 0])
sns.violinplot(data=df, y='tip')

ax = fig.add_subplot(grid[0, 1])
sns.violinplot(data=df, y='total_bill')

fig.tight_layout()
plt.show()

В приведенном выше примере мы использовали подграфики, чтобы добавить два разных распределения к одной и той же фигуре. Мы сделали это, создав спецификацию сетки, в которой одна строка и два столбца. После этого мы смогли добавить объекты осей в спецификацию сетки, используя функцию add_subplot(). Это возвращает следующее изображение:

В следующих разделах мы рассмотрим, как показать различные элементы данных на виолончельных графика

Как отображать данные в скрипичных графиках Seaborn

Seaborn предоставляет множество различных вариантов отображения данных на скрипичных графиках. Например, вы можете показать данные в виде точек, используя стрип-графики. Кроме того, можно показать данные в виде концентрированных линий, демонстрирующих распределение по оси.

Давайте углубимся в то, как это можно сделать в Seaborn!

Как показать данные в виде точек на скрипичных диаграммах

Чтобы показать данные в виде точек на графике скрипки в Seaborn, мы можем наложить дополнительный график — strip plot. Поскольку Seaborn возвращает неявные оси, он может отображать на те же оси, вызывая две функции. Давайте посмотрим, как это работает:

# Отображение данных в виде точек на виолин-графиках Seaborn

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('tips')
sns.violinplot(data=df, x='day', y='tip')
sns.stripplot(data=df, x='day', y='tip', color='black', alpha=0.5)
plt.show()

В приведенном коде выше мы использовали одинаковые параметры для data=, x=, и y=. Мы добавили дополнительные настройки для strip-графика, чтобы сделать данные более заметными при наложении точек. Это отображает изображение ниже:

На изображении выше распределение показано как в виде скрипичных диаграмм, так и в виде точек данных, в зависимости от их распределения. Мы также можем представить наши данные в виде линий, а не точек, чему вы научитесь в следующем разделе.

Как Отобразить Данные в Виде Линий на Скрипичных Графиках в Seaborn

Функция violinplot() из библиотеки Seaborn позволяет отображать данные в виде горизонтальных линий, используя параметр inner=. Передав 'stick' в этот параметр, функция добавит горизонтальные линии с плотностью, пропорциональной ядерной оценке плотности.

# Отображение данных в виде линий на виолин-графиках Seaborn

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('tips')
sns.violinplot(data=df, x='day', y='tip', inner='stick')
plt.show()

Параметр inner= принимает несколько различных вариантов. 'stick' и 'point' вернут линии и точки, соответственно. 'quartiles' вернет линии, представляющие интерквартильный размах, а 'box' вернет небольшой внутренний график-бокс (по умолчанию). При передаче 'stick' мы получаем изображение ниже:

В следующем разделе вы узнаете, как удалять выбросы из виолончельных графиков в Seaborn.

Как Исключить или Включить Выбросы в Виолончельных Графиках Seaborn

По умолчанию скрипичная диаграмма в Seaborn будет простираться до двух интерквартильных размахов. Это означает, что некоторые выбросы будут усечены. Тем не менее скрипичные диаграммы отлично подходят для выявления выбросов. Поэтому мы можем использовать параметр cut=, чтобы удалить (или включить) определенные выбросы.

Например, если мы хотим включить все точки данных в наш виолончельный график, мы можем использовать cut=0, что включает все выбросы. Если изменить значение на 1.75, виолончельный график будет включать значения до 1.75 раз межквартильного диапазона.

Давайте посмотрим, как мы можем включить все значения из нашего распределения:

# Включение выбросов в виолин-графиках Seaborn

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('tips')
sns.violinplot(data=df, x='day', y='tip', cut=0)
plt.show()

На изображении ниже может показаться, что мы рано обрезаем наш график. Однако на самом деле мы убираем сглаживание, которое Seaborn добавляет при создании скрипичного графика. По умолчанию линия будет тянуться до значения, равного двум межквартильным диапазонам, чтобы создать эффект сглаживания. Однако, установив значение 0, мы обрезаем значения на их истинных начальных и конечных точках.

В следующем разделе вы узнаете, как изменить способ, которым Seaborn вычисляет ширину каждой скрипичной диаграммы.

Как изменить правило масштабирования в скрипичных графиках Seaborn

Seaborn позволяет изменять форму скрипок с помощью параметра scale=. На самом деле, он предлагает три различных варианта для этого параметра:

'width' указывает на то, что каждая скрипка должна иметь одинаковую ширину
'area' указывает, что каждая "виолончель" должна иметь одинаковую площадь (это значение по умолчанию)
'count' указывает, что ширина должна масштабироваться по количеству наблюдений в каждом интервале

Давайте посмотрим, как мы можем изменить параметр, чтобы масштабировать каждую скрипку на одинаковую ширину.

# Изменение правила масштабирования для виолин-графиков Seaborn

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('tips')
sns.violinplot(data=df, x='day', y='tip', scale='width')
plt.show()

Установив этот параметр, каждый скрипичный график теперь будет иметь одинаковую ширину. Это позволяет вам видеть, где находятся наибольшие значения в каждом распределении, даже если общие значения различаются между категориями.

В последних разделах вы узнаете, как настроить ваши скрипичные графики. Сначала мы рассмотрим, как добавить заголовки и метки к графикам, а затем как изменить цветовую палитру вашей визуализации.

Как добавить заголовки и метки к диаграммам виолончелей Seaborn

Seaborn упрощает добавление заголовков и меток осей в ваши визуализации. Используя методы осей Matplotlib, мы можем легко настроить эти параметры. Например, мы можем использовать следующие параметры в методе

Параметр

Установить

title=

Название нашей визуализации

xlabel=

Подпись оси X на нашей визуализации

ylabel=

Подпись оси Y нашей визуализации

Давайте посмотрим, как это выглядит на Python:

# Добавление заголовков к виолин-графикам Seaborn

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('tips')
ax = sns.violinplot(data=df, x='day', y='tip')
ax.set(
    title='Виолин-график, Сделанный с использованием Seaborn', 
    xlabel='Будни', 
    ylabel='Сумма Tips'
    )
plt.show()

В приведённом выше фрагменте кода мы настроили заголовок и метки осей для нашего скрипичного графика. Это вернуло следующую визуализацию:

В следующем разделе вы узнаете, как использовать встроенные цветовые палитры Seaborn для настройки цветовой схемы диаграмм.

Как изменить цветовую палитру в диаграммах скрипки Seaborn

Seaborn предоставляет множество различных цветовых палитр. Вы можете узнать всё о том, как эти палитры работают и как их применять, в этом руководстве. Однако, чтобы упростить задачу и сделать её более понятной, вы можете просто передать палитру в параметр palette=

# Изменение палитры цветов в виолин-графиках Seaborn

import seaborn as sns
import matplotlib.pyplot as plt

df = sns.load_dataset('tips')
sns.violinplot(data=df, x='day', y='tip', palette='pastel')
plt.show()

В приведённом выше коде мы указали palette='pastel', что означает использование этой конкретной палитры. Это возвращает следующее изображение ниже:

Seaborn предоставляет большую гибкость в настройке стиля визуализации данных. Использование палитр — это простой способ добавить.

Заключение

В этом руководстве вы научились использовать функцию violinplot() из библиотеки Seaborn для создания информативных скрипичных диаграмм. Сначала вы узнали, что такое скрипичные диаграммы и когда их стоит использовать. Далее вы изучили функцию sns.violinplot() и её различные параметры.

Затем вы начали работать с практическими примерами. Сначала мы создали несколько простых скрипичных диаграмм. После этого мы настроили визуализации, добавив дополнительные детали с использованием цвета и внутренних представлений данных. Наконец, мы изменили объекты осей, настроив заголовки, метки осей и цветовую палитру.

Дополнительные ресурсы

Чтобы узнать больше о связанных темах, ознакомьтесь с ресурсами ниже

Seaborn catplot – визуализация категориальных данных на Python
Seaborn Boxplot – Как создать диаграммы с усами и ящиками
Seaborn barplot() – Создание столбчатых диаграмм с помощью sns.barplot()
Seaborn Countplot – Подсчет категориальных данных в Python
Seaborn swarmplot: Диаграммы распределения категориальных данных в виде пчелиного роя
Seaborn Pointplot: Центральная тенденция для категориальных данных
Seaborn stripplot: Вибрационные диаграммы для распределений категориальных данных

Last updated 10 days ago