Цвет играет важную роль, чем любой другой аспект визуализации. При эффективном использовании цвет добавляет больше значения графику. Палитра означает плоскую поверхность, на которой художник размещает и смешивает краски.
Цветовая палитра здания
Seaborn предоставляет функцию под названием color_palette () , которую можно использовать для придания цветов графикам и добавления к ним большего эстетического значения.
использование
seaborn.color_palette (palette = Нет, n_colors = Нет, desat = Нет)
параметр
В следующей таблице перечислены параметры для построения цветовой палитры —
Sr.No. | Palatte & Описание |
---|---|
1 |
n_colors Количество цветов в палитре. Если None, значение по умолчанию будет зависеть от того, как указана палитра. По умолчанию значение n_colors составляет 6 цветов. |
2 |
Desat Пропорция для обесцвечивания каждого цвета. |
n_colors
Количество цветов в палитре. Если None, значение по умолчанию будет зависеть от того, как указана палитра. По умолчанию значение n_colors составляет 6 цветов.
Desat
Пропорция для обесцвечивания каждого цвета.
Вернуть
Возвращение относится к списку кортежей RGB. Ниже приведены доступные палитры Seaborn —
- глубоко
- приглушенный
- яркий
- пастельный
- Темно
- Дальтонизм
Помимо этого, можно также создать новую палитру
Трудно решить, какую палитру следует использовать для данного набора данных, не зная характеристик данных. Зная об этом, мы классифицируем различные способы использования типов color_palette () —
- качественный
- последовательный
- отклонение
У нас есть другая функция seaborn.palplot (), которая работает с цветовой палитрой. Эта функция отображает цветовую палитру как горизонтальный массив. Мы узнаем больше о seaborn.palplot () в следующих примерах.
Качественные цветовые палитры
Качественные или категориальные палитры лучше всего подходят для построения категориальных данных.
пример
from matplotlib import pyplot as plt import seaborn as sb current_palette = sb.color_palette() sb.palplot(current_palette) plt.show()
Выход
Мы не передали никаких параметров в color_palette (); по умолчанию мы видим 6 цветов. Вы можете увидеть желаемое количество цветов, передав значение в параметр n_colors . Здесь palplot () используется для горизонтального построения массива цветов.
Последовательные цветовые палитры
Последовательные графики подходят для выражения распределения данных в диапазоне от относительных более низких значений до более высоких значений в пределах диапазона.
При добавлении дополнительного символа ‘s’ к цвету, переданному параметру цвета, будет построен график Последовательный.
пример
from matplotlib import pyplot as plt import seaborn as sb current_palette = sb.color_palette() sb.palplot(sb.color_palette("Greens")) plt.show()
Примечание. Нам нужно добавить ‘s’ к параметру, как ‘Greens’ в приведенном выше примере.
Расходящаяся палитра
Расходящиеся палитры используют два разных цвета. Каждый цвет представляет изменение значения в пределах от общей точки в любом направлении.
Предположим, что данные располагаются в диапазоне от -1 до 1. Значения от -1 до 0 принимают один цвет, а от 0 до +1 — другой цвет.
По умолчанию значения центрированы от нуля. Вы можете управлять им с помощью параметра center, передавая значение.
пример
from matplotlib import pyplot as plt import seaborn as sb current_palette = sb.color_palette() sb.palplot(sb.color_palette("BrBG", 7)) plt.show()
Выход
Настройка цветовой палитры по умолчанию
У функций color_palette () есть сопутствующий элемент set_palette () . Отношения между ними аналогичны парам, описанным в главе, посвященной эстетике. Аргументы одинаковы как для set_palette (), так и для color_palette (), но параметры Matplotlib по умолчанию изменены так, что палитра используется для всех графиков.
пример
import numpy as np from matplotlib import pyplot as plt def sinplot(flip = 1): x = np.linspace(0, 14, 100) for i in range(1, 5): plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip) import seaborn as sb sb.set_style("white") sb.set_palette("husl") sinplot() plt.show()
Выход
Построение одномерного распределения
Распределение данных — это главное, что нам нужно понять при анализе данных. Здесь мы увидим, как seaborn помогает нам в понимании одномерного распределения данных.
Функция distplot () предоставляет наиболее удобный способ быстро взглянуть на одномерное распределение. Эта функция построит гистограмму, которая соответствует оценке плотности ядра данных.
использование
seaborn.distplot()
параметры
В следующей таблице перечислены параметры и их описание —
Sr.No. | Параметр и описание |
---|---|
1 |
данные Серия, 1d массив или список |
2 |
бункеры Спецификация исторических бинов |
3 |
тс BOOL |
4 |
KDE BOOL |
данные
Серия, 1d массив или список
бункеры
Спецификация исторических бинов
тс
BOOL
KDE
BOOL
Это основные и важные параметры для изучения.