Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lernen Paar-Diagramm | Visualisierung Mit Seaborn
Ultimative Visualisierung mit Python

Swipe um das Menü anzuzeigen

book
Paar-Diagramm

Note
Definition

Pair Plot wird verwendet, um paarweise Beziehungen zwischen den numerischen Variablen in einem Datensatz darzustellen. Es ist dem Joint Plot sehr ähnlich, jedoch nicht auf nur zwei Variablen beschränkt. Tatsächlich erstellt ein Pair Plot ein NxN-Raster von Axes-Objekten (mehrere Subplots), wobei N die Anzahl der numerischen Variablen (numerische Spalten in einem DataFrame) ist.

Beschreibung des Pair Plots

In einem Pair Plot teilt jede Spalte die gleiche x-Achsen-Variable und jede Zeile die gleiche y-Achsen-Variable. Die Diagonale zeigt Histogramme der einzelnen Variablen, während die anderen Plots Streudiagramme darstellen.

Erstellung eines Pair Plots

Die Erstellung eines Pair Plots mit seaborn erfolgt durch Aufruf der Funktion pairplot(). Der wichtigste und einzige erforderliche Parameter ist data, welcher ein DataFrame-Objekt sein muss.


              
12345678910

            
import seaborn as sns
import matplotlib.pyplot as plt

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Creating a pair plot
sns.pairplot(iris_df, height=2, aspect=0.8)

plt.show()
copy

Das DataFrame iris_df wird an die Funktion pairplot() übergeben. Die Parameter height und aspect definieren die Höhe und Breite (berechnet als Höhe multipliziert mit Aspect) jeder Facette in Zoll.

Hue

Ein weiterer erwähnenswerter Parameter ist hue, der die Variable (Spaltenname) in data angibt, um Plot-Eigenschaften auf verschiedene Farben abzubilden oder sogar separate Plots (auf einer Axes) für jeden ihrer Werte zu erstellen.


              
1234567891011121314

            
import seaborn as sns
import matplotlib.pyplot as plt

# Ignoring warnings
import warnings
warnings.filterwarnings('ignore')

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Setting the hue parameter to 'species'
sns.pairplot(iris_df, hue='species', height=2, aspect=0.8)

plt.show()
copy

Hier ist der Unterschied deutlich zu erkennen. Die Datenpunkte in jedem Streudiagramm sind entsprechend der Art eingefärbt, zu der sie gehören, basierend auf den Werten aus der species-Spalte. Die Diagonaldiagramme sind jetzt KDE-Plots für jede Art anstelle von Histogrammen.

Bei Klassifikationsproblemen ist es oft sinnvoll, ein Pairplot mit dem hue-Parameter auf die Zielvariable zu erstellen, also die kategoriale Variable, die vorhergesagt werden soll.

Der Unterschied ist klar. Die Datenpunkte in jedem Streudiagramm sind entsprechend ihrer Art eingefärbt, basierend auf den Werten in der species-Spalte. Die Diagonaldiagramme wurden durch KDE-Plots für jede Art anstelle von Histogrammen ersetzt.

Bei Klassifikationsaufgaben ist es oft hilfreich, ein Pairplot mit dem hue-Parameter auf die Zielvariable — die zu prognostizierende kategoriale Variable — zu erstellen.

Plot-Arten ändern

Es ist möglich, den Typ der verwendeten Plots anstelle der standardmäßigen Streudiagramme sowie die auf der Diagonalen angezeigten Plots zu ändern. Der Parameter kind steuert die Hauptdiagramme und ist standardmäßig auf Streudiagramme eingestellt, während der Parameter diag_kind die Diagonaldiagramme steuert und automatisch gewählt wird, abhängig davon, ob der hue-Parameter gesetzt ist.


              
12345678910

            
import seaborn as sns
import matplotlib.pyplot as plt

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Setting the kind parameter and diag_kind parameters
sns.pairplot(iris_df, hue='species', kind='reg', diag_kind=None, height=2, aspect=0.8)

plt.show()
copy

'scatter', 'kde', 'hist', 'reg' sind mögliche Werte für den Parameter kind.

diag_kind kann auf einen der folgenden Werte gesetzt werden:

  • 'auto';

  • 'hist';

  • 'kde';

  • None.

Alles ist diesbezüglich ähnlich wie bei der Funktion jointplot().

Note
Mehr erfahren

Weitere Informationen finden Sie in der pairplot()-Dokumentation.

Aufgabe

Swipe to start coding

  1. Die korrekte Funktion zur Erstellung eines Pair Plots verwenden.
  2. Die Daten für das Diagramm über das erste Argument auf penguins_df setzen.
  3. Die Spalte 'sex' als Kriterium für die farbliche Unterscheidung der Diagrammaspekte über das zweite Argument festlegen.
  4. Für die nicht-diagonalen Plots eine Regressionslinie ('reg') über das dritte Argument einstellen.
  5. height auf 2 setzen.
  6. aspect auf 0.8 setzen.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 5. Kapitel 6

Fragen Sie AI

expand
ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

book
Paar-Diagramm

Note
Definition

Pair Plot wird verwendet, um paarweise Beziehungen zwischen den numerischen Variablen in einem Datensatz darzustellen. Es ist dem Joint Plot sehr ähnlich, jedoch nicht auf nur zwei Variablen beschränkt. Tatsächlich erstellt ein Pair Plot ein NxN-Raster von Axes-Objekten (mehrere Subplots), wobei N die Anzahl der numerischen Variablen (numerische Spalten in einem DataFrame) ist.

Beschreibung des Pair Plots

In einem Pair Plot teilt jede Spalte die gleiche x-Achsen-Variable und jede Zeile die gleiche y-Achsen-Variable. Die Diagonale zeigt Histogramme der einzelnen Variablen, während die anderen Plots Streudiagramme darstellen.

Erstellung eines Pair Plots

Die Erstellung eines Pair Plots mit seaborn erfolgt durch Aufruf der Funktion pairplot(). Der wichtigste und einzige erforderliche Parameter ist data, welcher ein DataFrame-Objekt sein muss.


              
12345678910

            
import seaborn as sns
import matplotlib.pyplot as plt

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Creating a pair plot
sns.pairplot(iris_df, height=2, aspect=0.8)

plt.show()
copy

Das DataFrame iris_df wird an die Funktion pairplot() übergeben. Die Parameter height und aspect definieren die Höhe und Breite (berechnet als Höhe multipliziert mit Aspect) jeder Facette in Zoll.

Hue

Ein weiterer erwähnenswerter Parameter ist hue, der die Variable (Spaltenname) in data angibt, um Plot-Eigenschaften auf verschiedene Farben abzubilden oder sogar separate Plots (auf einer Axes) für jeden ihrer Werte zu erstellen.


              
1234567891011121314

            
import seaborn as sns
import matplotlib.pyplot as plt

# Ignoring warnings
import warnings
warnings.filterwarnings('ignore')

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Setting the hue parameter to 'species'
sns.pairplot(iris_df, hue='species', height=2, aspect=0.8)

plt.show()
copy

Hier ist der Unterschied deutlich zu erkennen. Die Datenpunkte in jedem Streudiagramm sind entsprechend der Art eingefärbt, zu der sie gehören, basierend auf den Werten aus der species-Spalte. Die Diagonaldiagramme sind jetzt KDE-Plots für jede Art anstelle von Histogrammen.

Bei Klassifikationsproblemen ist es oft sinnvoll, ein Pairplot mit dem hue-Parameter auf die Zielvariable zu erstellen, also die kategoriale Variable, die vorhergesagt werden soll.

Der Unterschied ist klar. Die Datenpunkte in jedem Streudiagramm sind entsprechend ihrer Art eingefärbt, basierend auf den Werten in der species-Spalte. Die Diagonaldiagramme wurden durch KDE-Plots für jede Art anstelle von Histogrammen ersetzt.

Bei Klassifikationsaufgaben ist es oft hilfreich, ein Pairplot mit dem hue-Parameter auf die Zielvariable — die zu prognostizierende kategoriale Variable — zu erstellen.

Plot-Arten ändern

Es ist möglich, den Typ der verwendeten Plots anstelle der standardmäßigen Streudiagramme sowie die auf der Diagonalen angezeigten Plots zu ändern. Der Parameter kind steuert die Hauptdiagramme und ist standardmäßig auf Streudiagramme eingestellt, während der Parameter diag_kind die Diagonaldiagramme steuert und automatisch gewählt wird, abhängig davon, ob der hue-Parameter gesetzt ist.


              
12345678910

            
import seaborn as sns
import matplotlib.pyplot as plt

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Setting the kind parameter and diag_kind parameters
sns.pairplot(iris_df, hue='species', kind='reg', diag_kind=None, height=2, aspect=0.8)

plt.show()
copy

'scatter', 'kde', 'hist', 'reg' sind mögliche Werte für den Parameter kind.

diag_kind kann auf einen der folgenden Werte gesetzt werden:

  • 'auto';

  • 'hist';

  • 'kde';

  • None.

Alles ist diesbezüglich ähnlich wie bei der Funktion jointplot().

Note
Mehr erfahren

Weitere Informationen finden Sie in der pairplot()-Dokumentation.

Aufgabe

Swipe to start coding

  1. Die korrekte Funktion zur Erstellung eines Pair Plots verwenden.
  2. Die Daten für das Diagramm über das erste Argument auf penguins_df setzen.
  3. Die Spalte 'sex' als Kriterium für die farbliche Unterscheidung der Diagrammaspekte über das zweite Argument festlegen.
  4. Für die nicht-diagonalen Plots eine Regressionslinie ('reg') über das dritte Argument einstellen.
  5. height auf 2 setzen.
  6. aspect auf 0.8 setzen.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 5. Kapitel 6
Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
Wir sind enttäuscht, dass etwas schief gelaufen ist. Was ist passiert?
some-alt