Визуализация не только помогает понять данные, но также способна увлечь и вовлечь. В этой статье мы не только рассмотрим, как создавать потрясающие визуализации на Python с использованием Seaborn и других библиотек, но также добавим немного красоты с помощью пользовательских цветовых палитр и дополнительных типов графиков.
Импорт библиотек:
import seaborn as sns import matplotlib.pyplot as plt import pandas as pd
Загрузка данных:
Давайте воспользуемся набором данных Iris.
iris = sns.load_dataset('iris')
Пользовательская цветовая палитра:
Давайте создадим собственную цветовую палитру, чтобы сделать ваши визуализации более привлекательными. После создания и настройки он будет использоваться для большинства графиков по умолчанию (кроме тепловой карты). На данный момент трех цветов достаточно, но вы можете добавить больше.
custom_palette = ['#ff6b6b', '#a6d97e', '#34b4eb'] sns.set_palette(custom_palette)
Альтернативно вы можете использовать одну из готовых палитр. Чтобы изменить цветовую палитру для одного графика, вы можете использовать параметр palette или cmap и указать другую цветовую карту.
pastels_palette = sns.color_palette('Set2')
Больше стандартных цветовых палитр вы можете посмотреть на сайте seaborn. Вы можете установить его по умолчанию или просто использовать на некоторых своих графиках.
Кстати, чтобы увидеть палитру, вы можете просто поставить галочку и запустить ячейку с переменной как обычно, и вы ее увидите:
Диаграмма рассеяния:
Построим диаграмму рассеяния.
sns.scatterplot(x='sepal_length', y='sepal_width', data=iris, hue='species')
plt.title("Scatter Plot of Sepal Length vs. Sepal Width")
plt.show()
Обычно это будет выглядеть так:
Давайте проверим, как это выглядит с нашей пользовательской палитрой:
Хорошо, тебе не кажется?
Гистограмма:
Давайте теперь посмотрим, как выглядит гистограмма с пользовательской палитрой:
