Sambandsdiagram
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.
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()
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:
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()
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.
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.
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
Tack för dina kommentarer!
single
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 3.85
Sambandsdiagram
Svep för att visa menyn
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.
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()
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:
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()
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.
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.
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
Tack för dina kommentarer!
Awesome!
Completion rate improved to 3.85single