Seeborn -Farbpalette

Farbe ist viel wesentlicher als die meisten Elemente des visuellen Layout. Die Seeborn -Bibliothek erleichtert die Bereitstellung und Integration von Farbschemata, die für die Art der Daten geeignet sind, mit denen wir interagieren, und die Visualisierungsstrategien, die wir definiert haben. Die Color_palette () ist eine SeaBorn -Methode, mit der Grafiken Farbtöne bereitstellen und ihnen zusätzliche ästhetische Qualität zuweisen können.

Color_palette () -Funktion ist der integrale Bestandteil des Betriebs mit einzigartigen Farbschemata. Diese Methode wird implizit durch die Funktion angewendet, die einen Palettenparameter enthält. Es bietet auch eine Plattform für einige der anderen verschiedenen Methoden. Die Funktion set_palette () ist eine verwandte Methode zur Farbpalette ().

Sowohl die Funktionen set_palette () als auch colour_palette () nehmen ähnliche Parameter vor, aber die Standard -Matplotlib. Jede Seeborn -Palette kann mit colour_palette () Funktion verwendet werden. Dies kann auch mit einer Reihe von Farbtönen in einer entsprechenden Matplotlib -Konfiguration versehen werden. In diesem Artikel werden wir den Visuals mit dem Parameter color_palette der Funktion den Visuals hinzufügen.

Farbpaletten mit hoher Qualitätsniveau

Um strukturierte Variablen anzuzeigen, sind quantitative oder kategorisierte Paletten geeignet. Wir haben möglicherweise nicht Color_palette () zusätzliche Argumente angegeben, und jetzt beobachten wir standardmäßig 10 Schattierungen. Wir können die erforderliche Vielfalt von Farbtönen beobachten, indem wir das Argument „N“ Farben an eine Variable anpassen. Die palplot () -Methode würde verwendet, um das Farbspektrum in Längsrichtung darzustellen.

Hier integrieren wir die Matplotlib -Bibliothek von PyPlot als PLT und Seeborn als SB. Jetzt haben wir die Methode color_palette () der Seeborn -Bibliothek angewendet. Wir setzen den Wert dieser Funktion auf current_palatte. Dann wird die Funktion palplot () von Seeborn genutzt. Diese Funktion enthält die current_palette als Parameter. Am Ende haben wir die PLT verwendet, um die Color_Paletten darzustellen.show () Funktion. Der Ausgangsbildschirm ist hier angebracht, das die Farbpalette darstellt.

Farbpaletten in Ordnung

Synchrone Diagramme sind nützlich, um statistische Parameter zu veranschaulichen, die von den niedrigsten bis zu den höchsten Ebenen innerhalb eines Spektrums reichen. Das sequentielle Diagramm wird erstellt, indem der Farbton des Farbarguments des spezifischen Elements hinzugefügt wird. In diesem Fall müssen wir dem Argument 'S' 's hinzufügen, das' Blues ist.''

Nach dem Importieren der Matplotlib- und Seeborn -Bibliotheken haben wir die Methode color_palette () verwendet und den Wert dieser Funktion für die Variable Current_Palette angegeben. Im nächsten Schritt haben wir die palplot () -Methode verwendet, die die Funktion color_palette () als Argument enthält. Beide Funktionen beziehen sich auf die SeaBorn -Header -Datei. Wir haben die Farbe des Diagramms angegeben, indem wir 'Blues' an die Funktion color_palette () übergeben haben. Die plt.Show () Methode wird angewendet, um die Farbpaletten zu veranschaulichen. Der Ausgangsbildschirm, der die Farbpalette darstellt, ist hier angebracht.

Eine Farbpalette, die unterschiedlich ist

Zwei getrennte Farbtöne wurden in unterschiedlichen Paletten verwendet. Jede Farbe spiegelt einen statistischen Unterschied in der beiden Orientierung von einem Mittelpunkt aus. Die Heatmap in der folgenden Instanz verwendet zwei Kontrastfarben. Bei der Anzeige von Abweichungsdaten wird das Argument "Zentrum" verwendet, um den Wert zu bestimmen, an dem der Colormap zentriert sein soll. Die Daten sind auf Null ausgerichtet, was der Standard ist. Indem wir einen Wert für das Argument "Zentrum" bieten, können wir es manipulieren. Wir werden eine Illustration einer Wärmemap sehen, die auf 2 Daten zentriert ist, indem ein unterschiedlicher Colormap aufgenommen wird.

Zu Beginn des Programms importieren wir die Bibliothek Seeborn als SNS, Matplotlib.Pyplot als PLT, Pandas als PD, Numpy als NP. Jetzt möchten wir den Datenrahmen erstellen, damit wir die Randn () -Funktion des Numpy -Moduls verwendet haben. Wir deklarieren eine Variable 'DF', um den Wert des Datenrahmens zu behalten. Im nächsten Schritt müssen wir die Heatmap des angegebenen Datenrahmens zeichnen, damit wir die Wärmemap () -Funktion verwenden. Das Seeborn -Paket enthält diese Funktion.

Wir haben den Datenrahmen und den Wert der "Zentrum" -Variable als Argumente für die Funktion heatmap () bereitgestellt (). Die Funktion plt.Show () wird verwendet, um die resultierende Heatmap anzuzeigen. Der Ausgangsbildschirm, der die Farbpalette darstellt, ist hier angebracht.

Erstellen Sie eine Karte mit diskreten Daten

Wir können kategoriale Daten in diskrete Umstände umwandeln und diese Wertezahlen in der Visualisierung anwenden, wenn die Daten aus diesen bestehen. Die folgenden Fälle zeigen, wie und wann kontinuierliche Variablen in diskontinuierliche Daten umwandeln müssen.

Erstens enthalten wir die erforderlichen Bibliotheken. Die Bibliothek Seeborn wird als SNS, Matplotlib importiert.Pyplot, Pandas und Numpy werden alle als PLT, PD bzw. NP bezeichnet. Nachdem wir beabsichtigen, einen Datenrahmen zu generieren, haben wir die Randn () -Methode des Numpy -Moduls verwendet. Die Werte wurden durch diese Technik definiert. Wir geben zusätzlich eine Variable 'DF' an, um den Inhalt des Datenrahmens zu halten. Die DataFrame () -Methode der Pandas Library wird daher verwendet. Diese Methode diskretisiert die Attributwerte. Die Elemente des Datensatzes würden in drei kategoriale Variablen aufgeteilt.

Wir verwendeten die Variable "col", um die Spalten der Heatmap zu identifizieren. Die Funktion List () nimmt die Methode range () als Argument an. Hier werden wir die Methode für Heatmap () verwenden, um eine Heatmap des bereitgestellten Datensatzes zu erstellen. Diese Methode wird in das Seeborn -Modul aufgenommen. Die erzeugte Heatmap wird unter Verwendung des PLT visualisiert.show () Methode. Der Ausgangsbildschirm repräsentiert die Farbpalette, die hier angebracht ist.

Abschluss

Wir haben die Funktion colour_palette () der Seeborn -Bibliothek besprochen, die verwendet wird, um das Diagramm in diesem Artikel zu färben. Mit Hilfe einer Palette können wir die Datensätze mit mehreren Farben erstellen. Wir haben darüber gesprochen, wie die Palette verwendet wird, um mehrere Colormap -Kombinationen in Illustrationen zu erstellen. Wir haben die SeaBorn -Bibliothek verwendet, um eine einfache Heatmap zu zeichnen und einfache Anpassungen vorzunehmen, aber wir können das Farbschema des Diagramms weiter anpassen.