Yhdistelmäkaavio
Joint plot on varsin ainutlaatuinen kuvaaja, sillä se yhdistää useita kuvaajia. Se on kaavio, joka näyttää kahden muuttujan välisen suhteen sekä niiden yksittäiset jakaumat.
Perustilassaan siinä on kolme elementtiä:
- Histogrammi yläosassa, joka esittää tietyn muuttujan jakauman;
- Histogrammi oikealla, joka esittää toisen muuttujan jakauman;
- Hajontakuvio keskellä, joka näyttää näiden kahden muuttujan välisen suhteen.
Tässä on esimerkki joint plotista:
Data for the Joint Plot
seaborn-kirjastossa on jointplot()-funktio, jolla on samankaltaisesti kuin countplot()- ja kdeplot()-funktioilla kolme tärkeintä parametria:
data;x;y.
x- ja y-parametrit määrittävät piirrettävät muuttujat, jotka vastaavat histogrammeja oikealla ja ylhäällä. Nämä parametrit voivat olla taulukkomaisia olioita tai sarakkeiden nimiä, kun data-parametri on DataFrame.
12345678import seaborn as sns import matplotlib.pyplot as plt # Loading the dataset with data about three different iris flowers species iris_df = sns.load_dataset("iris") sns.jointplot(data=iris_df, x="sepal_length", y="sepal_width") plt.show()
Alkuperäinen esimerkki on toteutettu määrittämällä DataFrame data-parametriin ja nimeämällä sarakkeet x ja y.
Keskellä oleva kuvaaja
Toinen hyödyllinen parametri on kind, jolla määritellään keskellä oleva kuvaajatyyppi. Oletusarvo on 'scatter'. Muita mahdollisia arvoja ovat: 'kde', 'hist', 'hex', 'reg', 'resid'. Kokeile rohkeasti erilaisia kuvaajia:
12345678import seaborn as sns import matplotlib.pyplot as plt # Loading the dataset with data about three different iris flowers species iris_df = sns.load_dataset("iris") sns.jointplot(data=iris_df, x="sepal_length", y="sepal_width", kind='reg') plt.show()
Kaaviotyypit
Vaikka hajontakaavio on yleisin valinta keskimmäiseksi kaavioksi, on tarjolla useita muita vaihtoehtoja:
- reg: Lisää lineaarisen regressio-sovitteen hajontakaavioon, hyödyllinen korrelaation tarkistamiseen muuttujien välillä;
- resid: Näyttää lineaarisen regression residuaalit;
- hist: Esittää bivariaattisen histogrammin kahdelle muuttujalle;
- kde: Luo KDE-kaavion;
- hex: Tuottaa hexbin-kaavion, jossa yksittäiset pisteet korvataan kuusikulmaisilla soluilla ja solun väri ilmaisee datan tiheyden.
Kuten tavallista, voit tutkia lisää vaihtoehtoja ja parametreja jointplot() -dokumentaatiossa.
Lisäksi kannattaa tutustua mainittuihin aiheisiin:
residplot() -dokumentaatio;
Bivariaattisen histogrammin esimerkki;
Hexbin-kaavion esimerkki.
Swipe to start coding
- Käytä oikeaa funktiota yhteisjakaumakuvion luomiseen.
- Käytä
weather_df-dataa kuvion aineistona (ensimmäinen argumentti). - Aseta x-akselin muuttujaksi
'Boston'-sarake (toinen argumentti). - Aseta y-akselin muuttujaksi
'Seattle'-sarake (kolmas argumentti). - Aseta keskimmäiseen kuvaajaan regressiosuora (viimeinen argumentti).
Ratkaisu
Kiitos palautteestasi!
single
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 3.85Yhdistelmäkaavio
Pyyhkäise näyttääksesi valikon
Joint plot on varsin ainutlaatuinen kuvaaja, sillä se yhdistää useita kuvaajia. Se on kaavio, joka näyttää kahden muuttujan välisen suhteen sekä niiden yksittäiset jakaumat.
Perustilassaan siinä on kolme elementtiä:
- Histogrammi yläosassa, joka esittää tietyn muuttujan jakauman;
- Histogrammi oikealla, joka esittää toisen muuttujan jakauman;
- Hajontakuvio keskellä, joka näyttää näiden kahden muuttujan välisen suhteen.
Tässä on esimerkki joint plotista:
Data for the Joint Plot
seaborn-kirjastossa on jointplot()-funktio, jolla on samankaltaisesti kuin countplot()- ja kdeplot()-funktioilla kolme tärkeintä parametria:
data;x;y.
x- ja y-parametrit määrittävät piirrettävät muuttujat, jotka vastaavat histogrammeja oikealla ja ylhäällä. Nämä parametrit voivat olla taulukkomaisia olioita tai sarakkeiden nimiä, kun data-parametri on DataFrame.
12345678import seaborn as sns import matplotlib.pyplot as plt # Loading the dataset with data about three different iris flowers species iris_df = sns.load_dataset("iris") sns.jointplot(data=iris_df, x="sepal_length", y="sepal_width") plt.show()
Alkuperäinen esimerkki on toteutettu määrittämällä DataFrame data-parametriin ja nimeämällä sarakkeet x ja y.
Keskellä oleva kuvaaja
Toinen hyödyllinen parametri on kind, jolla määritellään keskellä oleva kuvaajatyyppi. Oletusarvo on 'scatter'. Muita mahdollisia arvoja ovat: 'kde', 'hist', 'hex', 'reg', 'resid'. Kokeile rohkeasti erilaisia kuvaajia:
12345678import seaborn as sns import matplotlib.pyplot as plt # Loading the dataset with data about three different iris flowers species iris_df = sns.load_dataset("iris") sns.jointplot(data=iris_df, x="sepal_length", y="sepal_width", kind='reg') plt.show()
Kaaviotyypit
Vaikka hajontakaavio on yleisin valinta keskimmäiseksi kaavioksi, on tarjolla useita muita vaihtoehtoja:
- reg: Lisää lineaarisen regressio-sovitteen hajontakaavioon, hyödyllinen korrelaation tarkistamiseen muuttujien välillä;
- resid: Näyttää lineaarisen regression residuaalit;
- hist: Esittää bivariaattisen histogrammin kahdelle muuttujalle;
- kde: Luo KDE-kaavion;
- hex: Tuottaa hexbin-kaavion, jossa yksittäiset pisteet korvataan kuusikulmaisilla soluilla ja solun väri ilmaisee datan tiheyden.
Kuten tavallista, voit tutkia lisää vaihtoehtoja ja parametreja jointplot() -dokumentaatiossa.
Lisäksi kannattaa tutustua mainittuihin aiheisiin:
residplot() -dokumentaatio;
Bivariaattisen histogrammin esimerkki;
Hexbin-kaavion esimerkki.
Swipe to start coding
- Käytä oikeaa funktiota yhteisjakaumakuvion luomiseen.
- Käytä
weather_df-dataa kuvion aineistona (ensimmäinen argumentti). - Aseta x-akselin muuttujaksi
'Boston'-sarake (toinen argumentti). - Aseta y-akselin muuttujaksi
'Seattle'-sarake (kolmas argumentti). - Aseta keskimmäiseen kuvaajaan regressiosuora (viimeinen argumentti).
Ratkaisu
Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoistaKiitos palautteestasi!
Awesome!
Completion rate improved to 3.85single
