Data Visualization Part 2 (types of plots in seaborn)

Nazrin
3 min readJul 16, 2021

Data Visualization məqaləsinin 1-ci hissəsində Matplotlib kitabxanasında olan vizual növlərindən bəhs etmişdik. Bu məqalədə isə Seaborn kitabxanasında olan vizual növlərindən danışacağıq.

Heatmap -iki dəyişən arasındakı əlaqəni rənglərlə göstərmək üçün istifadə olunur. Qrafikdə rənglərinin necə dəyişdiyini müşahidə edərək dəyişənlər arasında hər hansı bir asılılığın olub olmadığını müşahidə edə bilərik. Qaranlıq çalarlar daha açıq rənglərə nisbətən daha yüksək dəyərləri təmsil edir. Dəyişənlər istənilən tipdə ola bilər(kateqorik və ya ədədi dəyişən). Qrafikdə olan rənglər müxtəlif ölçülərə əsaslana bilər(frequency count of points,mean,median).

Joint plot -iki dəyişən arasındakı əlaqəni müəyyən etmək,təhlil etmək və eyni qrafikdə paylanmalarını vizuallaşdırmaq üçün istifadə edilə bilər. “Bivariate analysis” üçün istifadə edilir.

Pair plot -joint plot-a bənzəyir,lakin 2 və ya daha çox dəyişənlər arasında əlaqəni göstərmək üçün istifadə olunur.

Count plot -kateqorik dəyişənlərdə müşahidələrin sayını hesablayır və nəticələri bar chart kimi göstərir. Əslində, countplot() funksiyası Python-da bir növ bar chart yaratmaq üçün bir yoldur.

Strip plot -kateqorik dəyişənlər ilə ədədi dəyişənlər arasında əlaqəni vizual şəkildə göstərmək üçün istifadə olunur. Bəzən bu plota dot plot da deyirlər. Bu plot vasitəsi ilə datada olan boşluqları və outlier-ləri müəyyən etmək olar. Bundan əlavə “Univariate Analysis” üçün də istifadə olunur.

Swarm plot -Strip plot-a bənzəyir, lakin burada nöqtələr üst üstə düşməsin deyə avtamatik yerləşdirilir. Bu, dəyərlərin paylanmasının daha yaxşı bir şəkildə təqdim olunmasına imkan verir, lakin datasetimiz böyükdürsə, swarm plot-dan istifadə etmək məqsədə uyğun deyil.

Density plot -Histoqramın bir növüdür, lakin density plot kernel funksiyasından istifadə edib ədədi dəyişənlərin paylanmasını vizuallaşdırır. Qrafikin təpələri dəyərlərin müəyyən intervalda cəmləndiyini göstərir. Əsas üstünlüyü ondan ibarətdir ki, binlərin sayından asılı olmadığına görə datanın paylanmasını daha asan tapmaq olur.

KDE plot -Continuos (davamlı) dəyişənlərin ehtimal sıxlıq funksiyasını vizuallaşdırmaq üçün istifadə olunur.

One dimensional KDE plot:

Two dimensional KDE plot:

Lm plot -İki ədədi dəyişən arasında əlaqəni göstərmək üçün istifadə olunur. Scatter plot-a bənzəyir lakin məlumatları reqressiya xəttindən istifadə edərək vizuallaşdırır. lmplot () funksiyası seaborn.reglot () funksiyası ilə seaborn.FacetGrid () funksiyalarını birləşdirir.

Cat plot -Seaborn kitabxanasında kateqorik dəyişənləri vizuallaşdırmaq üçün çoxlu sayda funksiya mövcuddur. catplot () funksiyası kateqorik dəyişənlərlə səmərəli işləmək üçün istifadə olunur. Beləki yalnız kod hissəsində “kind” arqumentini dəyişməklə müxtəlif vizuallar qurulur.

sns.catplot(data = df, x = 'sepal_length', y = 'species', kind = 'bar')

Məqaləni oxuduğunuz üçün təşəkkür edirəm!Ümid edirəm sizin üçün faydalı oldu.

Github Linki:https://github.com/nazrnrn/Medium-article-s-code/blob/main/Data%20Visualization%20part%202.ipynb

--

--