Erstellen Sie ein Konturdiagramm in Seaborn

In dieser Diskussion wird vorgestellt, wie Sie mit der Funktion kdeplot() in Seaborn ein Konturdiagramm erstellen.

Erstellen Sie ein Konturdiagramm mit der Funktion kdeplot() in Seaborn

Die Kerndichteschätzung ermöglicht es uns, die Wahrscheinlichkeitsdichtefunktion aus unserem endlichen Datensatz zu schätzen. Das kdeplot() hat die Option des bivariaten Diagramms; In diesem Fall können wir die gemeinsame Wahrscheinlichkeitsdichtefunktion für Daten in zwei Dimensionen schätzen.

Seaborns kdeplot() ermöglicht die Erstellung von Konturen, die die unterschiedlichen Dichtegrade Ihrer Daten darstellen, sodass Sie das gemeinsame PDF schätzen können. Seaborn hat keine contour-Funktion, also müssen wir die kdeplot()-Funktion verwenden, um den Konturplot anzuzeigen.

Schauen wir uns einen Seaborn-Code an, um ein bivariates oder zweidimensionales Diagramm mit kdeplot() zu erstellen. Wir beginnen mit dem Importieren von pyplot und Seaborn und dem Aliasing beider Bibliotheken.

import seaborn as seaborn
import matplotlib.pyplot as plot

Der nächste Schritt besteht darin, einige Daten von Seaborn zu laden. Wir werden einen Datensatz über Autos verwenden, also haben wir unterschiedliche Statistiken über verschiedene Autos.

Die Funktion dropna() löscht alle null-Werte aus dem Datensatz.

Code:

data_set = seaborn.load_dataset("mpg").dropna()
data_set.head()

Ausgang:

Jetzt verwenden wir die Funktion kdeplot() und übergeben die Pferdestärke und die mpg oder Meilen pro Gallone.

Code:

import seaborn as seaborn
import matplotlib.pyplot as plot

data_set = seaborn.load_dataset("mpg").dropna()
seaborn.kdeplot(data_set.horsepower, data_set.mpg)
plot.show()

Ausgang:

Es gibt ein paar verschiedene Optionen, die wir hier nutzen können. Der erste besteht darin, mehr Ringe oder mehr verschiedene Ebenen in dieser Handlung zu haben.

Wir können diesen Wert ändern, indem wir auf den Parameter n_levels zugreifen.

import seaborn as seaborn
import matplotlib.pyplot as plot

data_set = seaborn.load_dataset("mpg").dropna()

seaborn.kdeplot(data_set.horsepower, data_set.mpg, n_levels=20)
plot.show()

Ausgang:

Wir können es auch auf eine schattierte Version umstellen, indem wir die Version shade verwenden.

import seaborn as seaborn
import matplotlib.pyplot as plot

data_set = seaborn.load_dataset("mpg").dropna()
seaborn.kdeplot(data_set.horsepower, data_set.mpg, shade=True)
plot.show()

Ausgang:

Wir können auch einen Farbbalken mit dem Parameter cbar einfügen.

import seaborn as seaborn
import matplotlib.pyplot as plot

data_set = seaborn.load_dataset("mpg").dropna()
seaborn.kdeplot(data_set.horsepower, data_set.mpg, shade=True, cbar=True)
plot.show()

Wie Sie sehen, haben Sie zwei verschiedene Kategorien in Ihren Daten.

Ausgang: