Svep för att visa menyn

Sambandsdiagram

Definition

Joint plot är ett ganska unikt diagram, eftersom det kombinerar flera diagram. Det är ett diagram som visar sambandet mellan två variabler tillsammans med deras individuella fördelningar.

I grunden har det tre element som standard:

Histogram högst upp som representerar fördelningen av en viss variabel;
Histogram till höger som representerar fördelningen av en annan variabel;
Scatter plot i mitten som visar sambandet mellan dessa två variabler.

Här är ett exempel på ett joint plot:

Data för Joint Plot

seaborn har en funktion jointplot() som, likt countplot() och kdeplot(), har tre viktigaste parametrar:

data;
x;
y.

Parametrarna x och y anger variablerna som ska plottas, vilket motsvarar histogrammen till höger och högst upp. Dessa parametrar kan vara array-liknande objekt eller kolumnnamn när parametern data är en DataFrame.


              12345678
            
import 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()

Det ursprungliga exemplet har återskapats genom att tilldela en DataFrame till parametern data och ange kolumnnamn för x och y.

Diagram i mitten

En annan användbar parameter är kind som specificerar vilket diagram som visas i mitten. Standardvärdet är 'scatter'. Andra möjliga diagram är: 'kde', 'hist', 'hex', 'reg', 'resid'. Prova gärna olika diagramtyper:


              12345678
            
import 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()

Diagramtyper

Även om spridningsdiagrammet är det vanligaste valet för den centrala grafen, finns det flera andra alternativ tillgängliga:

reg: Lägger till en linjär regressionsanpassning till spridningsdiagrammet, användbart för att kontrollera korrelation mellan variabler;
resid: Visar residualerna från en linjär regression;
hist: Visar ett bivariat histogram för två variabler;
kde: Skapar ett KDE-diagram;
hex: Producerar ett hexbin-diagram, där hexagonala fält ersätter enskilda punkter och fältets färg indikerar datatäthet.

Fördjupa dig

Som vanligt kan du utforska fler alternativ och parametrar i jointplot() dokumentationen.

Det är också värt att utforska de nämnda ämnena:
residplot() dokumentationen;
Exempel på bivariat histogram;
Exempel på hexbin-diagram.

Uppgift

Swipe to start coding

Använd rätt funktion för att skapa ett joint plot.
Använd weather_df som data för diagrammet (det första argumentet).
Ange kolumnen 'Boston' som variabel för x-axeln (det andra argumentet).
Ange kolumnen 'Seattle' som variabel för y-axeln (det tredje argumentet).
Ställ in att diagrammet i mitten ska ha en regressionslinje (det sista argumentet).

Lösning

Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 5. Kapitel 5

single

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Sambandsdiagram

Definition

Joint plot är ett ganska unikt diagram, eftersom det kombinerar flera diagram. Det är ett diagram som visar sambandet mellan två variabler tillsammans med deras individuella fördelningar.

I grunden har det tre element som standard:

Histogram högst upp som representerar fördelningen av en viss variabel;
Histogram till höger som representerar fördelningen av en annan variabel;
Scatter plot i mitten som visar sambandet mellan dessa två variabler.

Här är ett exempel på ett joint plot:

Data för Joint Plot

seaborn har en funktion jointplot() som, likt countplot() och kdeplot(), har tre viktigaste parametrar:

data;
x;
y.


              12345678
            
import 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()

Det ursprungliga exemplet har återskapats genom att tilldela en DataFrame till parametern data och ange kolumnnamn för x och y.

Diagram i mitten


              12345678
            
import 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()

Diagramtyper

Även om spridningsdiagrammet är det vanligaste valet för den centrala grafen, finns det flera andra alternativ tillgängliga:

reg: Lägger till en linjär regressionsanpassning till spridningsdiagrammet, användbart för att kontrollera korrelation mellan variabler;
resid: Visar residualerna från en linjär regression;
hist: Visar ett bivariat histogram för två variabler;
kde: Skapar ett KDE-diagram;
hex: Producerar ett hexbin-diagram, där hexagonala fält ersätter enskilda punkter och fältets färg indikerar datatäthet.

Fördjupa dig

Som vanligt kan du utforska fler alternativ och parametrar i jointplot() dokumentationen.

Det är också värt att utforska de nämnda ämnena:
residplot() dokumentationen;
Exempel på bivariat histogram;
Exempel på hexbin-diagram.

Uppgift

Swipe to start coding

Använd rätt funktion för att skapa ett joint plot.
Använd weather_df som data för diagrammet (det första argumentet).
Ange kolumnen 'Boston' som variabel för x-axeln (det andra argumentet).
Ange kolumnen 'Seattle' som variabel för y-axeln (det tredje argumentet).
Ställ in att diagrammet i mitten ska ha en regressionslinje (det sista argumentet).

Lösning

Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan

Var allt tydligt?

Tack för dina kommentarer!

Svep för att visa menyn

Sambandsdiagram

Data för Joint Plot

Diagram i mitten

Diagramtyper

Lösning

Awesome!

Sambandsdiagram

Data för Joint Plot

Diagram i mitten

Diagramtyper

Lösning

Awesome!