サンプル統計図
27857 ワード
サンプル統計図版ダース(図表)+マット・フラリ(可視化)=サンプル(統計図表) 市本公式サイトhttps://seaborn.pydata.org/2 市本開発サイト:https://github.com/mwaskom/seaborn2 市本開発サイトサンプリング:https://github.com/mwaskom/seaborn-data2 仕事はGoogleのColabで済ませました.
必要なモジュールをインポートします.
この変数分布の散布図を描いてください.joinplot()
savefig()dpi=解像度に関連付けて保存
かくみつどすいていぶんぷず
多変数分布の散点図を描く
ビジュアル化
データ可視化(Data Visualization,Data Visualization,Data Visualization,Data Visualization):データをグラフィカルまたはテーブル形式で表示し、データを直感的に表示します.
線図を使用します.(値配列が1つしかない場合)
以上の例
軸(axis):x軸とy軸を指します.
値配列は1つしかありません.
x軸:リスト要素の数を自動的に調整します.
y軸:リスト要素値の最も近い値に自動的に調整されます.
線図を使用します.(値配列が2つある場合)
値の配列が2つある場合:
x軸:最初の配列の要素はx値です.
y軸:2番目のアレイの要素はy値
図形豊富化:オフセット値の判別を導くには、正接した図形を使用します.
ヒストグラム連続棒グラフ
棒グラフ:不連続データを描画するための棒グラフ(信号図)
白黒変換pyplot.imshow()による白黒変換
白黒変換opencvによる白黒変換
必要なモジュールをインポートします.
import matplotlib as mpl
import matplotlib.pyplot as plt # 서브 패키지 모듈
import numpy as np
import seaborn as sns
#데이터 파일의 경로를 지정한다.
from pathlib import Path
data_path = Path('경로)
ペンシルデータの取得(iris)iris = sns.load_dataset('iris')
iris
この変数分布の散布図を描いてください.joinplot()
# 데이터셋에 있는 열 이름들을 이용해서 x축,y축 데이터를 지정한다.
sns_plot = sns.jointplot(x = 'sepal_length', y= 'sepal_width',data=iris, kind ='scatter')
sns_plot.set_axis_labels(xlabel = '꽃받침_길이',ylabel = 'sepal_length', size =14)
plt.suptitle('scatter plot',y = 1.04, size =24) # y값으로 제목을 띄워보자.
sns_plot.savefig('/content/gdrive/My Drive/test/시본_산포도.png',dpi=600)
plt.show()
jointplot
(x値、y値、データ、グラフィックフォーマット(タイプ)set_axis_labels
(xlabel、ylabel、size)を使用してx、yの名前寸法を設定します.plt(matplotlib.pyplot)
のsuptitle()
メソッドでタイトルを指定できます.savefig()dpi=解像度に関連付けて保存
かくみつどすいていぶんぷず
# kind = kde
# cmap = sns.cubehelix_palatte()
# 데이터셋에 있는 열 이름들을 이용해서 x축,y축 데이터를 지정한다.
sns_plot = sns.jointplot(x = 'sepal_length', y= 'sepal_width',data=iris,
kind ='kde',
camp = 'plasma') # 핵밀도 추정 분포도
sns_plot.set_axis_labels(xlabel = '꽃받침_너비',ylabel = '꽃받침_길이', size =14)
plt.suptitle('붓꽃의 꽃받침 길이/넓이 산포도',y = 1.04, size =24) # y값으로 제목을 띄워보자.
sns_plot.savefig('시본_산포도03.png',dpi=600)
plt.show()
camp
="プラズマ"色多変数分布の散点図を描く
# 꽃받침 길이, 넓이, 꽃잎의 길이, 넓이
sns_plot = sns.pairplot(iris,hue= 'species')
plt.suptitle('붓꽃의 다변량 비교 분포',y=1.04, size=24)
# sns_plot.savefig(data_path/'시본_다변량04.png', dpi=600)
plt.show()
#해당 데이터 간의 열 (column)에 담긴 데이터들의 분포를 알 수 있고 , 각 열간의 상관 관계를 볼 수 있다.
ビジュアル化
plot
=頭蓋(物の構造)=図plotting
=知恵を絞る=描く=事前に絵の輪郭を描く=見えないけど、下図を全部描く.データ可視化(Data Visualization,Data Visualization,Data Visualization,Data Visualization):データをグラフィカルまたはテーブル形式で表示し、データを直感的に表示します.
線図を使用します.(値配列が1つしかない場合)
plt.plot([1,3,2,7,4]) # y값
plt.show() # x = 위치 값 0,1,2,3,4 (y값 5개 일 경우)
以上の例
plt.plot([1,2,3,4,5,6,7,8,9,10])
plt.show() # x = 0,1,2,3,4,5,6,7,8,9
軸(axis):x軸とy軸を指します.
値配列は1つしかありません.
x軸:リスト要素の数を自動的に調整します.
y軸:リスト要素値の最も近い値に自動的に調整されます.
線図を使用します.(値配列が2つある場合)
plt.plot([1,3,2,7,4,8,11,7] , [2,4,6,8,10,12,14,16]) # ( [x값] [y값] )
plt.show()
plt.plot([0,1,2,3,4,5,6,7,8,9] , [0,6,2,7,3,8,4,9,5,10]) # ( [x값] [y값] )
plt.show()
値の配列が2つある場合:
x軸:最初の配列の要素はx値です.
y軸:2番目のアレイの要素はy値
図形豊富化:オフセット値の判別を導くには、正接した図形を使用します.
x = np.linspace(-2*np.pi, 2*np.pi, 20)
#스타일 지정
plt.plot(x, np.tanh(x), color='red',linestyle=':',marker = 's')
plt.plot(x, np.tanh(x -2), color='blue',linestyle='--',marker = 'x')
# 그래프 제목 추가
plt.title('쌍곡 탄젠트그래프', fontsize = 20)
#축 제목 추가
plt.xlabel('파이')
plt.ylabel('쌍곡 탄젠트')
plt.grid() # 격자
#범례 표시
plt.legend(['편향치 없다.'],['편향치 있다.'], loc=4) #loc로 범례 위치 지정
plt.show()
ヒストグラム連続棒グラフ
# ex) 표준 정규 분포(기대값 = 0, 표준편차 = 1)
x = np.random.randn(10000)
plt.hist(x,bins= 1000, color='blue')
plt.title('표준 정규 분포') #bins = 1000으로 세분화
plt.show()
棒グラフ:不連続データを描画するための棒グラフ(信号図)
x = ['신호1','신호2','신호3','신호4','신호5']
y = [0.1100, 0.1213, 0.0612, 0.0901,0.1131]
# 세로 막대 그래프 width 값으로 폭을 조정
# plt.bar(x,y,width= 0.8)
# 가로 막대 그래프
plt.barh(x,y)
plt.title('신호기 오차 비교',fontsize=16)
plt.show()
#가로 일때는 x와 y가 뒤바뀐다.
from pathlib import Path
data_path = Path('/content/gdrive/My Drive/test')
#파일 경로
# file_path = Path('경로')
x =['신호1','신호2','신호3','신호4','신호5' ]
y = [0.1100, 0.1213, 0.0612, 0.0901, 0.1131]
int_y = np.multiply(y, 10000)
plt.pie(int_y, labels=x, autopct='%.1f%%', explode = (0, 0.0, 0.2, 0, 0))
plt.title("신호오차비율" , fontsize=20)
# plt.savefig("경로.png", dpi =600)
plt.show()
白黒変換pyplot.imshow()による白黒変換
#이미지를 로드할 때 3차원 ndarray로 변환되어 리턴한다.
img_res = plt.imread('경로 ') #이미지 읽기
# plt.imshow(img_res)
#axis로 2개의 축을 지정한다. 지정된 축에 맞게 평균을 구한다.
plt.imshow(img_res.mean(axis=2))
#축 숨기기
plt.xticks([]) #리스트를 비워둔다.
plt.yticks([])
#plt.show()
plt.savefig("경로", dpi =600)
白黒変換opencvによる白黒変換
import cv2
cv2_res = cv2.imread('경로',cv2.IMREAD_GRAYSCALE)
plt.imshow(cv2_res)
#축 숨기기
plt.xticks([]) #리스트를 비워둔다.
plt.yticks([])
plt.show()
Reference
この問題について(サンプル統計図), 我々は、より多くの情報をここで見つけました https://velog.io/@jahommer/시본-seaborn-통계-그래프テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol