平面设计师上的网站网站建设哪些是需要外援的问题

当前位置： 首页 > news >正文

平面设计师上的网站,网站建设哪些是需要外援的问题,照片编辑器app,专门做电容的网站目录 介绍线图散点图直方图概率密度函数 #xff08;PDF#xff09;箱线图小提琴剧情配对图热图关节图地毯图 一、介绍 数据科学已成为一个突出的领域#xff0c;近年来呈爆炸性增长。对精通从数据中获取见解并应用这些见解来解决现实世界问题的数据科学家的需求从未增加。… 目录 介绍线图散点图直方图概率密度函数 PDF箱线图小提琴剧情配对图热图关节图地毯图 一、介绍 数据科学已成为一个突出的领域近年来呈爆炸性增长。对精通从数据中获取见解并应用这些见解来解决现实世界问题的数据科学家的需求从未增加。使用图形、图表和其他表示形式可视化数据是一种从此信息中获取见解的技术。 Seaborn 是一个 Python 库它允许我们绘制图表和绘图帮助我们从数据中提取有用的见解。本博客的目的是提供它们的概述。话不多说让我们开始吧。我们将使用 Iris 数据集进行可视化。您可以在此处找到数据。 二、导入数据和处理数据  请注意如果您在 Kaggle 笔记本以外的任何地方运行它您可能必须将 Iris.csv 文件的本地地址放在上面的函数中。如果您还没有文件请从上面的链接下载该文件。 #Importing Libraries import numpy as np import pandas as pd import seaborn as sns#Getting the data in pandas DataFrame Format data pd.read_csv(/kaggle/input/iris/Iris.csv) data.head() #Printing first 5 values in the dataset 数据集的前 5 个值。来源作者 萼片长度厘米和萼片宽度厘米是鸢尾花萼片的长度和宽度以厘米为单位计算。同样PetallLengthCm和PetallWidthCm是鸢尾花花瓣的长度和宽度以厘米为单位。物种表示花的种类。鸢尾有三种类型鸢尾属、弗吉尼亚鸢尾和杂色鸢尾。 三、生成线图 在此图中通过将两个变量x 和 y绘制在 2D 图上并将它们连接来显示它们之间的关系。它显示了变量如何随时间变化。线图有多种用途包括研究动态变量随时间变化、查找模式和跟踪趋势。我们可以使用线图函数生成线图。 #Creating a line plot between Sepal Length and Sepal Width of all the #species sns.lineplot(datadata,x SepalLengthCm,ySepalWidthCm) 线图来源作者 #We can also plot separate line plots for each of the species. sns.lineplot(datadata,x SepalLengthCm,ySepalWidthCm,hue Species) 所有类别的单独线图来源作者 四、散点图 散点图类似于折线图但首选静态变量不会随时间变化。基本上它将所有点绘制在 2D 图形上。散点图用于确定两个变量之间的相关性。我们可以通过散点图函数使用它。 #Generating a Scatter Plot of all the data points. sns.scatterplot(datadata,x SepalLengthCm,ySepalWidthCm) 散点图来源作者 #We can also distinguish the points by their species sns.scatterplot(datadata,x SepalLengthCm,ySepalWidthCm,hue Species) 所有类别的散点图来源作者 五、直方图 直方图是最重要的图之一可用于多种用途包括检测数据中的异常值、偏度和方差。每个条形显示落在 x 轴上特定范围下的数据点的频率/数量。我们可以使用 histplot 函数绘制直方图。 #Plotting histogram for all the species sns.histplot(datadata,xSepalLengthCm) 直方图来源作者 #Plotting histograms for each species sns.histplot(datadata,xSepalLengthCm,hueSpecies) 单个物种的直方图来源作者 六、概率密度函数 PDF 概率密度函数计算在值范围内找到随机变量的概率。此方法的目的是确定变量属于哪个分布。通过揭示变量属于哪个分布我们可以选择最有效的机器学习模型在变量上运行以获得最准确的结果。我们使用核密度估计来计算概率密度函数。我们可以使用 kdeplot 函数绘制它。 #Plotting the probability density function for Petal Length of all species sns.kdeplot(datadata,xPetalLengthCm) 概率密度函数来源作者 #Plotting the probability density function for Petal Length for #individual species sns.kdeplot(datadata,xPetalLengthCm,hueSpecies) 单个物种的概率密度函数来源作者 从上图可以看出Iris-Setosa的概率密度函数与其他物种没有重叠。因此鸢尾花可以很容易地与其他物种区分开来。 七、箱线图 箱形图为我们提供了有关数据的五个见解它们是 下限 — 告诉我们数据集中的最小值上限 — 为我们提供数据集中的最大值 下限和上限极值可用于检测异常值。 上四分位数 — 为我们提供数据集的第 75 个百分位数即 75% 的数据落下的值按升序排列时。下四分位数 — 为我们提供数据集的第 25 个百分位数即 25% 的数据落下的值按升序排列时。 该框下四分位数到上四分位数称为四分位数范围。 中位数 — 为我们提供数据集的中位数 请参阅下面的箱形图以清晰理解。 箱形图来源作者 #Plotting boxplot for individual species sns.boxplot(datadata,yPetalLengthCm,xSpecies) 单个物种的箱形图来源作者 八、小提琴图 小提琴图类似于箱线图但也指示变量的概率密度函数。这使它看起来像一把小提琴。您可以使用小提琴绘图功能绘制它。 请参阅下面的小提琴图以清晰理解。 小提琴剧情来源作者 #Plotting violinplot for individual species sns.violinplot(datadata,yPetalLengthCm,xSpecies) 单个物种的小提琴图来源作者 九、配对图 配对图允许我们绘制所有非分类变量的成对散点图。对于 x 轴和 y 轴上的相同变量我们得到变量的直方图/概率密度函数。由于它将所有图绘制在一起因此分析每个特征及其与其他特征的相关性变得非常容易。当数据集包含大量要素时不建议使用成对图因为它们需要相当长的时间来绘制。您可以使用配对图函数绘制配对图。 #Plotting pairplot sns.pairplot(datadata) 配对图来源作者 #Plotting the pair plots for individial species sns.pairplot(datadata,hueSpecies) 单个物种的配对图来源作者 十、热图 热图通常用于研究数值变量的相关性。每个单元格都有一个颜色表示两个变量之间的相关性。色调较深的颜色表示变量之间的高正相关而色调较浅的颜色表示变量之间的高负相关。您可以使用热图功能绘制热图。 #Plotting the heatmap sns.heatmap(datadata.corr(), annotTrue,cmap GnBu) 热图来源作者 从热图中我们知道具有高度相关性的货币对是 花瓣长度和萼片长度萼片长度和花瓣宽度花瓣长度和花瓣宽度 此外我们观察到所有对角线元素的相关性均为 1。这是因为这些平方与相同的变量相关因此它是完美的相关性。 十一、关节图 在两个变量x 和 y的联合图中我们绘制了两个变量的散点图和直方图/概率密度函数。联合图可用于单变量和双变量分析。 联合图 散点图 两个变量的直方图/概率密度函数。 #Plotting joint plot of Sepal Width and Petal Length sns.jointplot(datadata,xPetalLengthCm,ySepalWidthCm) 联合剧情来源作者 #Plotting joint plot for individual species sns.jointplot(datadata,xPetalLengthCm,ySepalWidthCm,hueSpecies) 单个物种的联合图来源作者 十二、地毯图 与联合图类似地毯图可用于单变量和双变量分析。地毯图显示了变量在 x 轴和 y 轴上的边际分布。可以为单个变量和多个变量绘制地毯图。 #Plotting rug plot for only Petal length for individual species sns.rugplot(datadata,xPetalLengthCm,hueSpecies) 单个变量的地毯图来源作者 #Plotting rug plot for only Petal length and Sepal Length for individual #species sns.rugplot(datadata,xPetalLengthCm,ySepalLengthCm,hueSpecies) 两个变量的地毯图来源作者 十三、结论 对于单变量分析我们可以使用 线图箱线图小提琴剧情概率密度函数直方图联合情节地毯图 对于双变量分析我们可以使用 配对图散布图联合情节热图地毯图