Wykres barowy w stosach morskim

Eksploracja danych jest czymś, co wszyscy lubimy robić. Analiza danych eksploracyjnych to proces wyświetlania danych i zrozumienia lub wyodrębnienia ważnych informacji. Dane mogą być wyświetlane na wiele różnych sposobów. Wykres w stosach jest użytecznym wykresem, który jest używany w różnych aplikacjach i prezentacjach. Dowiemy się, jak rozumieć i budować ułożone wykresy barowe za pomocą Pythona w tym artykule.

Co to jest ułożona działka w Seborn

Wykres w stosy w stos jest wizualnym przedstawieniem zestawu danych, w którym kategoria jest wyróżniona niektórymi kształtami, takimi jak prostokąty. Dane dostarczone w zestawie danych są reprezentowane przez długość i wysokości wykresu słupkowego. Na wykresie w stosach w stosy jedna oś zawiera odsetek liczby powiązanych z określoną klasyfikacją kolumny w zestawie danych, podczas gdy druga oś reprezentuje wartości lub zliczania z nim. Ułożone wykresy barowe mogą być reprezentowane poziomo lub pionowo. Pionowy wykres słupkowy jest znany jako wykres kolumnowy.

Wykres ułożony w stos jest typem wykresu, w którym każdy pasek jest graficznie podzielony na podkładki, aby wyświetlać liczne kolumny danych w tym samym czasie.

Warto również pamiętać, że wykres słupkowy pokazuje tylko średnią (lub inny estymator), podczas gdy pokazanie zakresu możliwych wartości na każdej skali danych kategorycznych może być bardziej pomocne w wielu okolicznościach. Inne działki, takie jak pudełko lub działka na skrzypce, byłyby bardziej odpowiednie w tym scenariuszu.

Składnia wykresu baru w stosach morskim

Składnia funkcji wykładu baru Seorborn jest niezwykle prosta.

DataFramename.Wykres (kind = „bar”, ułożony = true, color = [color1, color2,… colorn])

Oto dataframename w zestawie danych. Jest to uważane za szeroką formę, jeśli x i y nie są obecne. Poza tym będzie to długa forma w tej nazwie DataFrameName. Metodę wykresu należy ustawić na ułożone = true, aby wykreślić układ układu w stos. Możemy również przejść listę kolorów, którą używaliśmy osobno w każdym podpasku na pasku. Niektóre inne opcjonalne parametry również odgrywają znaczącą rolę w wykreślaniu ułożonych wykresów barowych.

Zamów, hue_order: Poziomy kategoryczne należy wykreślić w porządku; W przeciwnym razie poziomy są zakładane z elementów danych.

taksator: W każdym kategorycznym pojemniku użyj tej funkcji statystycznej do oszacowania.

CI (Float, SD, None): Szerokość przedziałów ufności powinna być narysowana wokół szacowanych wartości, jeśli „SD” pomiń skalowanie i pokazują zamiast tego odchylenie standardowe obserwacji. Nie będzie żadnych bootstraphpping i żadnych pasków błędów, jeśli nie zostanie określone.

n_boot (int): Zdefiniowano częstotliwość cykli ładowania początkowego, które należy użyć podczas obliczania modeli statystycznych.

Orient: Wykres jest zorientowany w określony sposób (pionowy lub poziomy). Jest to zwykle wywnioskowane z typów zmiennych wejściowych, ale można go wykorzystać do wyjaśnienia niepewności, w której zarówno zmienne X, jak i.

paleta: Kolory do wykorzystania dla różnych poziomów odcieni. Powinien być słownikiem tłumaczącym zakresy odcieni na kolory matplotlib lub cokolwiek, co może zrozumieć paleta kolorów ().

nasycenie: Kolory powinny być narysowane na proporcji faktycznych nasycenia duże obszary zyskują z umiarkowanie zdenerwowanych kolorów, ale chyba, że ​​chcemy, aby kolory fabuły dokładnie spełniły specyfikacje kolorów wejściowych, ustaw to na 1.

Ercolor: Linie reprezentujące model statystyczny są kolorowe inaczej.

errWidth (float): Grubość linii słupków błędów (i czapek).

Dodge (Bool): Czy elementy należy przenosić wzdłuż osi skategoryzowanej, gdy stosuje się gniazdowanie odcienia.

Przykład 1:

Mamy prostą działkę w stos, która pokazuje sprzedaż samochodu w różnych miesiącach. Dołączyliśmy niektóre biblioteki, które są niezbędne dla tego przykładowego kodu. Następnie utworzyliśmy ramkę danych w zmiennej „DF”. Mamy trzy pola o nazwie samochodu, które mają różne odsetki sprzedaży rocznie, a w dziedzinie indeksu uwzględniliśmy nazwy miesiąca. Następnie stworzyliśmy działkę w stosy, nazywając DF.Wykreśl i przekazał parametr jako pasek i ułożył wartość do prawdziwego w nim. Następnie przypisaliśmy etykietę do osi X i Y, a także ustawiliśmy tytuł działki w stos.

importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
df.eksploduj („z”)
importować pandy jako PD
df = pd.DataFrame ('BMW': [14, 33, 43, 81, 52, 24, 18, 85, 12, 68, 75, 21],
„CVICS”: [22, 23, 10, 72, 31, 48, 52, 42, 32, 21, 55, 35],
„Ferrari”: [35, 48, 12, 35, 63, 20, 32, 53, 20, 35, 27, 58],
indeks = [„Jan”, „Feb”, „mar”, „aprobata”, „maj”, „Jun”, „Jul”, „aug”, „sep”, „październik”, „nov”, „dec” ])
df.Wykres (kind = „bar”, ułożony = true, color = [„blue”, „czerwony”, „pomarańczowy”])
plt.xlabel („miesiące sprzedaży”)
plt.YLABEL („zakresy sprzedaży”)
plt.Tytuł („Sprzedaż samochodów w ciągu roku”)
plt.pokazywać()

Wizualna reprezentacja wykładu w stos jest następująca:

Przykład 2:

Poniższy kod pokazuje, jak dodać tytuły osi i tytuł przeglądu oraz o tym, jak obrócić etykiety osi X i osi Y, aby uzyskać lepszą czytelność. Stworzyliśmy ramy danych robotników podczas zmian porannych i wieczornych w dniach wewnątrz zmiennej „DF”. Następnie stworzyliśmy ułożony wykres barowy z DF.funkcja wykresu. Następnie ustawiliśmy tytuł fabuły jako „Firma Pracy” z rozmiarem czcionki. Podano również etykiety dla osi X i identyfikatora osi Y. W końcu podaliśmy kąt zmiennym x i y, które obracają się zgodnie z tym kątem.

importować pandy jako PD
importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
df = pd.DataFrame („dni”: [„mon”, „wt”, „śr”, „thur”, „pt”],
„Morning Shift”: [32, 36, 45, 50, 59],
„Evening Shift”: [44, 47, 56, 58, 65])
df.Wykres (kind = „bar”, ułożony = true, color = [„czerwony”, „pomarańczowy”])
plt.Tytuł („Firma Pracy”, FontSize = 15)
plt.xlabel („dni”)
plt.YLABEL („Liczba prac”)
plt.XTicks (rotacja = 35)
plt.Yticks (rotacja = 35)
plt.pokazywać()

Wykres słupkowy ułożony z obrotowymi etykietami x i y jest pokazany na rysunku w następujący sposób:

Przykład 3:

Możemy użyć tego samego wykresu paska, aby wyświetlić zestaw wartości kategorycznych. Wynik końcowy nie będzie miał na sobie wyglądy, ale zamiast tego przedstawię obserwacje na jednym wykresie z kilkoma prętami. W przykładowym kodzie ustawiamy ramkę danych, która zawiera dane z telefonu komórkowego o różnych stawkach w różne dni. Ten wykres pokazuje jednocześnie szybkość dwóch urządzeń mobilnych, gdy ustawiamy parametr zmienny X i.

importować pandy jako PD
importować matplotlib.Pyplot as Plt
Importuj Seaorn jako SNS
df = pd.DataFrame („stawki”: [40, 80, 50, 60, 70, 50, 80, 40, 30, 40, 20, 30, 50, 70],
"Mobile": ['Oppo', 'Samsung', 'Oppo', 'Samsung', 'Oppo', 'Samsung', 'Oppo', 'Samsung', 'Oppo', 'Samsung', 'Oppo', ' Samsung ”,„ oppo ”,„ Samsung ”],
„Dni”: [1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7])
S = SNS.Barplot (x = "dni", y = 'stawki', data = df, hue = "mobil")
plt.pokazywać()

Wykres jest wizualizowany z dwoma prętami na następującym wykresie:

Wniosek

Tutaj krótko wyjaśniliśmy ułożoną działkę z biblioteką Seaorn. Pokazaliśmy ułożony wykres słupkowy z różną wizualizacją ramek danych, a także z różnym stylem etykiet X i Y. Skrypty są proste do zrozumienia i nauki za pomocą Ubuntu 20.04 Terminal. Wszystkie trzy przykłady można zmienić zgodnie z potrzebami pracy użytkowników.