Strona korzysta z plików cookies w celu realizacji usług i zgodnie z Polityką Plików Cookies.


31.12.2020

Cykl webinarów

weinnovators.club
30.12.2020

Integracja z Teams

Veeam Backup
30.12.2020

Namierzanie zagrożeń

Flowmon Networks i Fortinet
30.12.2020

Wsparcie dla przedsiębiorstw

VMware Cloud on AWS
29.12.2020

Nowe NAS-y Thunderbolt 3

QNAP QuTS TVS-h1288X i TVS-h1688X
29.12.2020

Modele kompaktowe

VPL-PHZ60 i VPL-PHZ50
28.12.2020

Dedykowane przemysłowi

Seria TJ
28.12.2020

Nowa generacja

Router QHora-301W

Python, wizualizacja danych

Data publikacji: 29-10-2018 Autor: Grzegorz Kubera

Biblioteki Seaborn pozwalają na wizualizację modeli statystycznych w prostszy sposób niż omawiany w poprzednich częściach kursu Matplotlib. Przedstawiamy możliwości i funkcje oferowane przez Seaborn oraz odpowiadamy na pytanie, dlaczego są one ważnym elementem w nauce specjalizacji data scientist.

 

Bardzo często do wizualizacji danych wykorzystywane są biblioteki Matplotlib – oferują one duże możliwości, jednak trudno za ich pomocą tworzyć bardziej skomplikowane i niestandardowe wykresy. Żeby ułatwić sobie pracę i uzyskać atrakcyjne wizualnie efekty, warto doinstalować biblioteki Seaborn (Statistical Data Visualization Library), które są niejako nakładką na Matplotlib i współpracują z obiektami dataframe z bibliotek Pandas.

Seaborn z założenia mają umożliwić tworzenie atrakcyjnych wykresów w prostszy sposób niż Matplotlib. Jak wspomniano, głównie służą do wizualizacji modeli statystycznych. Z uwagi na to, że w poprzednich częściach kursu poznaliśmy Matplotlib, nauka Seaborn nie powinna być zbyt trudna. Klasycznie zaczynamy od przygotowania środowiska pracy. Uruchamiamy wiersz poleceń Anaconda Prompt z menu Start w Windows i wpisujemy komendę:

conda install seaborn

Jeśli wcześniej zainstalowane zostały już biblioteki NumPy i Matplotlib, nie trzeba instalować ich ponownie. W przeciwnym przypadku wpisujemy komendy:

conda install numpy
conda install matplotlib

Możliwe jest, że wyświetli się komunikat o nowszej wersji Anacondy. W tym wypadku warto zainstalować aktualizację, wpisując polecenie:

conda update -n base conda

Po zakończonej instalacji uruchamiamy Jupytera, wpisując:

jupyter notebook

Następnie uruchamiamy Jupytera, otwieramy notatnik w Pythonie 3 i wpisujemy komendy:

import seaborn as sns
%matplotlib inline
sns.set(color_codes=True)

Komenda import służy do importowania bibliotek do Jupytera, natomiast %matplotlib inline jest potrzebna do tego, aby można było nie tylko wpisywać kody związane z wykresami, ale również aby zobaczyć je w formie graficznej bezpośrednio w Jupyterze. Ostatnie z poleceń aktywuje style graficzne z Seaborn, które są atrakcyjniejsze niż style domyślne.

> WIZUALIZACJA DANYCH Z SEABORN

Kiedy środowisko pracy jest gotowe, możemy przejść do nauki funkcji i opcji dostępnych przez Seaborn. Co ciekawe, biblioteki te są oferowane z kilkoma wbudowanymi zestawami danych, dzięki czemu możemy je łatwo zaimportować i rozpocząć ćwiczenia.

Na potrzeby kursu importujemy zestaw o nazwie tips (z ang. napiwki). Dostępne są również inne zestawy, takie jak iris czy titanic. Aby zaimportować któryś z zestawów danych i następnie zapisać go jako obiekt dataframe, na którym będziemy pracować, wpisujemy w Jupyterze polecenie:

tips = sns.load_dataset(‘tips’)

Teraz możemy sprawdzić, jak wygląda wybrany zestaw danych. W tym celu wpisujemy:

tips.head()

[...]

 

Założyciel i dyr. generalny firmy doradczo--technologicznej, pełnił funkcję redaktora naczelnego w magazynach i serwisach informacyjnych z branży ICT. Dziennikarz z ponad 10-letnim doświadczeniem i autor książki nt. tworzenia start-upów.

Artykuł pochodzi z miesięcznika: IT Professional

Pełna treść artykułu jest dostępna w papierowym wydaniu pisma.

.

Transmisje online zapewnia: StreamOnline

All rights reserved © 2019 Presscom / Miesięcznik "IT Professional"