Seaborn - Tavolozza dei colori
Il colore gioca un ruolo importante rispetto a qualsiasi altro aspetto nelle visualizzazioni. Se usato in modo efficace, il colore aggiunge più valore alla trama. Una tavolozza indica una superficie piana su cui un pittore dispone e mescola i colori.
Tavolozza dei colori di costruzione
Seaborn fornisce una funzione chiamata color_palette(), che può essere utilizzato per dare colori alle trame e aggiungervi più valore estetico.
Utilizzo
seaborn.color_palette(palette = None, n_colors = None, desat = None)Parametro
La tabella seguente elenca i parametri per la creazione della tavolozza dei colori:
| Sr.No. | Palatte e descrizione |
|---|---|
| 1 | n_colors Numero di colori nella tavolozza. Se è Nessuno, il valore predefinito dipenderà da come viene specificata la tavolozza. Per impostazione predefinita il valore din_colors è di 6 colori. |
| 2 | desat Proporzione per desaturare ogni colore. |
Ritorno
Return si riferisce all'elenco delle tuple RGB. Di seguito sono riportate le tavolozze Seaborn prontamente disponibili:
- Deep
- Muted
- Bright
- Pastel
- Dark
- Colorblind
Oltre a questi, si può anche generare una nuova tavolozza
È difficile decidere quale tavolozza deve essere utilizzata per un dato set di dati senza conoscere le caratteristiche dei dati. Consapevoli di ciò, classificheremo i diversi modi di utilizzocolor_palette() tipi -
- qualitative
- sequential
- diverging
Abbiamo un'altra funzione seaborn.palplot()che si occupa di tavolozze di colori. Questa funzione traccia la tavolozza dei colori come una matrice orizzontale. Ne sapremo di più in meritoseaborn.palplot() nei prossimi esempi.
Tavolozze di colori qualitative
Le tavolozze qualitative o categoriali sono le più adatte per tracciare i dati categoriali.
Esempio
from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(current_palette)
plt.show()Produzione
Non abbiamo passato alcun parametro in color_palette();per impostazione predefinita, vediamo 6 colori. Puoi vedere il numero di colori desiderato passando un valore al filen_colorsparametro. Qui, ilpalplot() viene utilizzato per tracciare la matrice di colori orizzontalmente.
Tavolozze di colori sequenziali
I grafici sequenziali sono adatti per esprimere la distribuzione dei dati che vanno da valori relativi inferiori a valori più alti all'interno di un intervallo.
Aggiungendo un carattere aggiuntivo "s" al colore passato al parametro color verrà tracciato il grafico sequenziale.
Esempio
from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("Greens"))
plt.show()
Note −Dobbiamo aggiungere "s" al parametro come "Verdi" nell'esempio precedente.
Tavolozza dei colori divergenti
Le tavolozze divergenti utilizzano due colori diversi. Ogni colore rappresenta la variazione del valore che va da un punto comune in entrambe le direzioni.
Si supponga di tracciare i dati compresi tra -1 e 1. I valori da -1 a 0 richiedono un colore e da 0 a +1 un altro colore.
Per impostazione predefinita, i valori sono centrati da zero. Puoi controllarlo con il centro parametro passando un valore.
Esempio
from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("BrBG", 7))
plt.show()Produzione
Impostazione della tavolozza dei colori predefinita
Le funzioni color_palette() ha un compagno chiamato set_palette()La relazione tra loro è simile alle coppie trattate nel capitolo sull'estetica. Gli argomenti sono gli stessi per entrambiset_palette() e color_palette(), ma i parametri Matplotlib predefiniti vengono modificati in modo che la tavolozza venga utilizzata per tutti i grafici.
Esempio
import numpy as np
from matplotlib import pyplot as plt
def sinplot(flip = 1):
x = np.linspace(0, 14, 100)
for i in range(1, 5):
plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)
import seaborn as sb
sb.set_style("white")
sb.set_palette("husl")
sinplot()
plt.show()Produzione
Tracciare la distribuzione univariata
La distribuzione dei dati è la cosa più importante che dobbiamo capire durante l'analisi dei dati. Qui vedremo come seaborn ci aiuta a comprendere la distribuzione univariata dei dati.
Funzione distplot()fornisce il modo più conveniente per dare una rapida occhiata alla distribuzione univariata. Questa funzione traccia un istogramma che si adatta alla stima della densità del kernel dei dati.
Utilizzo
seaborn.distplot()Parametri
La tabella seguente elenca i parametri e la loro descrizione:
| Sr.No. | Parametro e descrizione |
|---|---|
| 1 | data Serie, matrice 1d o elenco |
| 2 | bins Specifica dei contenitori storici |
| 3 | hist bool |
| 4 | kde bool |
Questi sono parametri fondamentali e importanti da esaminare.