Изучите Seaborn в одном практическом Jupyter Notebook, который знакомит с основными семействами графиков библиотеки. На наборе Iris и сгенерированных матрицах вы сравните Seaborn с Matplotlib, примените встроенные стили и создадите графики отношений, категорий, распределений, регрессии и матриц.
Это широкий обзор API, а не медленная последовательность нескольких лабораторий. Notebook показывает, как высокоуровневые функции быстро сопоставляют столбцы данных с положением, цветом и стилем маркеров, и объясняет место интерфейсов уровня Figure и Axes рядом с Matplotlib.
Чему вы научитесь
- Применять темы, контексты, стили и палитры Seaborn к графикам Matplotlib
- Загружать Iris и отображать категории с помощью
hueиstyle - Создавать графики отношений с
relplot,scatterplotиlineplot - Сравнивать категориальные распределения с strip-, swarm-, box-, violin-, boxen-, point-, bar- и count-графиками
- Исследовать одномерные и двумерные распределения с KDE, joint plot и pair plot
- Добавлять подобранные зависимости с
regplotиlmplot - Визуализировать матрицы тепловыми и кластерными тепловыми картами
- Различать удобные функции уровня Figure и тесно связанные с Matplotlib функции уровня Axes
Для кого этот курс
Курс предназначен для пользователей Python, которым нужен компактный обзор графического инструментария Seaborn для разведочного анализа данных. Он лучше всего подходит тем, кто умеет читать код Notebook и простые табличные данные. Поскольку множество API собрано в одном Notebook, это скорее управляемое исследование, чем первое знакомство с Python или статистикой.
Предварительные требования: Рекомендуются основы Python и Jupyter Notebook, понимание переменных, вызовов функций и табличных данных. Знакомство с Matplotlib полезно, но необязательно.
Учебная среда: Предоставляется среда Jupyter на Ubuntu 22.04 с подготовленным Notebook. Вы запускаете и изменяете ячейки, устанавливаете или импортируете библиотеки, загружаете данные и выводите графики внутри Notebook.
Часто задаваемые вопросы
Это полный курс из нескольких лабораторий?
Нет. Это одна лаборатория начального уровня с объёмным Notebook. Он охватывает много семейств графиков, но не содержит отдельных задач или итогового проекта.
Какие данные используются?
Большинство примеров использует Iris для сравнения размеров и видов цветов. Для тепловых карт также применяется матрица, сгенерированная NumPy.
Преподаётся ли статистическая теория?
Нет. Курс демонстрирует распределения, регрессионные подгонки и кластерные тепловые карты, но не объясняет статистику и теорию кластеризации для их глубокого толкования.
Все ли примеры используют новейший API Seaborn?
Не полностью. Notebook содержит старый API distplot наряду с kdeplot, jointplot и pairplot. Воспринимайте его как концептуальный обзор и сверяйтесь с актуальной документацией при переносе примера в новый код.
