Metoda KDEPlot Seaborn

Oszacowanie gęstości jądra (KDE) jest techniką przedstawiania warunkowego rozkładu liniowych i nieliniowych parametrów wejściowych. Metoda KDEPlot () zwraca znacznie mniej złożoną, lepszą grafikę semantyczną, gdy tylko chcemy wyświetlać wiele dyspersji. Można zobaczyć różne zestawy danych przy użyciu jednej prezentacji graficznej w KDE. To znacznie bardziej skuteczna forma analizy wizualnej. Oszacowanie gęstości jądra (KDE) jest modelem predykcyjnym do obliczania i wizualizacji prawdopodobieństwa tylnego zmiennej dyskretnej. Analiza nie przyznaje żadnych założeń dotyczących zestawu danych, w tym niezależnie od tego, czy odzwierciedla wymagania standardu, czy jakiekolwiek prawdopodobieństwo.

Oszacowanie gęstości jądra to uproszczona wersja histogramu, która nie zawiera linii okresów dystrybucji i odpowiednich punktów terminali. Tworzenie odrębnych liczb dla zestawów danych i łączenie tych w celu utworzenia pełnego kształtu zapewnia poprawioną linię do tylnego rozkładu oryginalnego zestawu danych.

Searorn to ramy programowe, takie jak Matplotlib. Seborn można wykorzystać do wizualizacji z modułami pandy i numpy. Analitycy danych używają zestawów narzędzi do dokonywania odpowiednich i atrakcyjnych reprezentacji analitycznych. Za pomocą metody KDEPLOPL () biblioteki Seaorn możemy rysować opisową i wnioskowaną grafikę statystyczną.

Zbadamy, jak wykorzystać Seaorn do wizualizacji wykresów KDE. Aby zilustrować układ wykresu KDE, w tym artykule wykorzystano kilka instancji z oryginalnych danych.

Przykład 1

Możemy potwierdzić model za pomocą pakietu Seaorn, wywołując standardową metodę KDEPlot (). W poniższym scenariuszu zebraliśmy 2500 danych sekwencji z modułem randomizowanym. Następnie umieścił je w klatce danych Numpy, ponieważ pakiet Seaorn oddziałuje wyłącznie z modułem Numpy i modułem pandy. Przykładowy kod Seorborn dla tego instancji jest umieszczony poniżej:

Rozpoczniemy program od włączenia niezbędnych plików nagłówka. Plik nagłówka Seaborn zostanie zintegrowany jako SN, Matplotlib.Pyplot zostanie zintegrowany jako PLT, a Numpy zostanie zintegrowany jako NP. W kolejnym etapie wskazaliśmy zestaw danych z 2500 wpisów. Można to osiągnąć, wykorzystując metodę Randn () biblioteki Numpy.

Użyliśmy funkcji KDEPlot () do narysowania wykresu KDE. Ta funkcja jest związana z pakietem Seaorn. Zapewniliśmy ramkę danych, kolor i odcień jako argumenty funkcji KDEPLOT (). Tutaj ustawiamy wartość cienia jako „prawdziwą” i wartość koloru jako „fioletową”. Ten kod zostanie zakończony, wywołując funkcję show () matplotlib.Moduł Pyplot. Ta funkcja reprezentuje końcowy wykres.

Przykład nr 2

Korzystając z funkcji KDEPLOPL () i ramy Seaorn, możemy dalej reprezentować zestaw danych przekątnych lub odwrócić wynikowy wykres. Aby odwrócić wyświetlacz, zastosowaliśmy parametr wykres. Przykładowy kod Seorborn dla tego instancji jest umieszczony poniżej:

Najpierw importowaliśmy biblioteki: Searorn, Matplotlib.Pyplot i Numpy. Musimy zdefiniować 1000 zbiorów danych. Do osiągnięcia tego funkcji Numpy Library's Randn () może być użyta. Aby utworzyć mapę KDE, zastosowaliśmy metodę KDEPlot (). Moduł Seaorn jest podłączony do tej funkcji. Metoda KDEPlot () ma różne argumenty: ramka danych, kolor i odcień. W tym przypadku chcemy, aby fabuła była narysowana w pionie. W rezultacie wykorzystaliśmy argument „pionowy” i ustawiliśmy jego wartość na „true”.

Dostosowaliśmy wartość odcienia do „true” i wartości koloru do „zielonego”. Ten kod zostałby zakończony przez wykonanie matplotlib.Funkcja modułu Pyplot (). Ostateczna grafika została przedstawiona za pomocą tej metody.

Przykład nr 3

Wzięamy dwa parametry do funkcji KDEPLOT () Pakietu Seaorn, aby skonstruować wykres KDE regresji wielowymiarowej dla parametrów zależnych. Funkcja KDEPLOT () jest używana do wykonywania danych. W kolejnym kodzie pokażemy, jak uzyskać działalność KDE wielowymiarową. Przykładowy kod Seorborn dla tego instancji jest umieszczony poniżej:

Pliki nagłówka muszą być zawarte na początku skryptu. PD byłby importowany przez Bibliotekę Panda, SNS byłby importowany przez bibliotekę Seaorn, a PLT byłby importowany za pomocą matplotlib.Pyplot. Wraz z tymi wszystkimi uwzględniamy moduł inline MATPlotlib.

W następnym kroku zdefiniujemy zestawy danych zarówno dla osi X, jak i osi Y. Definiujemy zestawy, wywołując metodę Randn () biblioteki Numpy. Teraz wywołaliśmy funkcję KDEPlot (), aby narysować wykres KDE. Podaliśmy zestawy danych obu osi jako parametry tej metody. Funkcja show () jest wykorzystywana do zilustrowania wynikowego wykresu:

Przykład nr 4

Nasz kod użyje „CBAR” w tym kontekście argumentu. Jeśli wartość „CBAR” jest prawdziwa, pasek kolorów jest stosowany do wykresu regresji wielowymiarowej, aby podkreślić reprezentację Hue. Niestety, jakoś nie pozwala na wizualizacje z parametrem kolorów. Przykładowy kod Seorborn dla tego instancji jest umieszczony poniżej:

Po przedstawieniu wymaganych bibliotek, pandy, morborn, Numpy i Matplotlib.Pyplot, zarówno osi X, jak i ramki danych osi Y. Zestawy są zdefiniowane podczas korzystania z funkcji Numpy Library's Randn (). Nazywaliśmy narzędziem KDEPLOT (), aby narysować wykres KDE. Ta metoda jest elementem pakietu Seaorn. Parametry tej metodologii to zestawy danych z obu osi. Przeszliśmy argument „CBAR” do metody KDEPLOT (). Metoda show () zostanie użyta do wizualizacji uzyskanego wykresu.

Wniosek

W tym artykule użyliśmy prezentacji wykresu KDE z modułem pandas i pakietem Seaorn. Na wykresie 1D KDE zaobserwowaliśmy, jak przedstawić model probabilistyczny jednej i wielu zmiennych. Rozmawialiśmy o tym, jak przedstawić zestaw danych 2D, używając układu KDE z ramą Seaorn. Podaliśmy również metodę KDEPlot () z niektórymi parametrami, aby obserwować, jak wpłynęły one na mapę.