Seaborn Python (Guide pour les développeurs sur son fonctionnement)

Introduction

La visualisation de données statistiques Seaborn est une bibliothèque de visualisation Python populaire. Il est construit sur le module Python Matplotlib et fournit une interface de haut niveau pour dessiner des graphiques statistiques attrayants et informatifs. Seabornest particulièrement bien adapté pour visualiser des ensembles de données complexes et rendre l'analyse des données plus intuitive. Plus loin dans cet article, nous examinerons également IronPDF, une bibliothèque de génération et de manipulation de PDF deIronSoftware.

Caractéristiques principales

1. Interface de haut niveau :Seabornfournit une interface de haut niveau, simplifiant le processus de création de visualisations complexes. Cela signifie que vous pouvez créer des graphiques sophistiqués avec seulement quelques lignes de code.

2. Intégration avec Pandas : Seaborn fonctionne parfaitement avec les structures de données Pandas, ce qui facilite la visualisation des données stockées dans les DataFrames.

3. Beaux styles par défaut : Seaborn est livré avec de beaux styles par défaut et des palettes de couleurs, ce qui rend les graphiques plus attrayants et plus faciles à interpréter.

4. Estimation Statistique : Seaborn inclut des fonctions pour estimer et tracer des relations statistiques, telles que les lignes de régression et les intervalles de confiance.

   5. Distributions univariées et bivariées : Seaborn prend en charge la visualisation de données statistiques avec

   Distributions univariées dansSeaborn

   1. Histogramme : Visualise la fréquence des points de données dans des intervalles.

   2. KDE Plot: Affiche une courbe lisse représentant la densité des données.

   3. Graphique ECDF : Affiche la proportion cumulative des points de données.

   4. Boîte à moustaches : Illustre la distribution des données avec les quartiles et les valeurs aberrantes.

   Distributions bivariées dansSeaborn

   1. Diagramme de dispersion : Représente la relation entre deux variables.

   2. Diagramme Hexbin : Utilise des bacs hexagonaux pour montrer la densité des données.

   3. Tracé KDE bivarié : Tracé de densité lisse pour deux variables.

   4. Pair Plot : Montre les relations par paires dans un jeu de données.

Pour commencer

Pour commencer avec Seaborn, vous devez l'installer en utilisant pip :

pip install seaborn

pip install seaborn

Une fois installé, vous pouvez importer Seaborn avec import matplotlib et créer des visualisations. Voici un exemple simple :

import seaborn as sns
import matplotlib.pyplot as plt
# Load an example dataset
tips = sns.load_dataset("tips")
# Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# Load an example dataset
tips = sns.load_dataset("tips")
# Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.show()

Dans cet exemple, nous chargeons le jeu de données "tips" et créons un nuage de points montrant la relation entre le montant total de la facture et le montant du pourboire, avec différentes couleurs représentant différents moments de la journée.

Sortie

Graphiques couramment utilisés

1. Graphiques relationnels : Ces graphiques montrent les relations entre les variables. Les exemples incluent les graphiques de dispersion et les graphiques en ligne.

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker", style="time")
    plt.show()

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker", style="time")
    plt.show()

2. Graphiques Catégoriels : Ces graphiques visualisent les données catégorielles. Les exemples incluent les diagrammes en barres, les boîtes à moustaches et les diagrammes en violon.

sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker")
    plt.show()

sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker")
    plt.show()

3. Diagrammes de distribution : Les exemples incluent les histogrammes et l'estimation de la densité par noyau et les graphiques.

sns.histplot(data=tips, x="total_bill", kde=True)
    plt.show()

sns.histplot(data=tips, x="total_bill", kde=True)
    plt.show()

4. Graphiques Matriciels : Ces graphiques visualisent les données sous forme de matrice. Les exemples incluent les cartes de chaleur et les cartes de clusters.

glue = sns.load_dataset("glue").pivot(index="Model", columns="Task", values="Score")
    sns.heatmap(glue)
    plt.show()

glue = sns.load_dataset("glue").pivot(index="Model", columns="Task", values="Score")
    sns.heatmap(glue)
    plt.show()

Les graphiques Seaborn peuvent également être utilisés pour les graphiques de distribution, les graphiques en ligne, les boîtes à moustaches et les histogrammes, et le codage pour le traçage avec des données réelles ou des données statistiques est sans effort.

Personnalisation

Seaborn permet une personnalisation étendue des graphiques. Vous pouvez modifier le style du graphique, la palette de couleurs et d'autres aspects pour répondre à vos besoins. Par exemple, vous pouvez définir le thème en utilisant :

sns.set_theme(style="whitegrid")

sns.set_theme(style="whitegrid")

Présentation d'IronPDF

IronPDFest une bibliothèque Python puissante conçue pour créer, éditer et signer des PDF en utilisant HTML, CSS, images et JavaScript. Elle offre une performance de haute qualité tout en utilisant une mémoire minimale. Les principales caractéristiques sont les suivantes :

Conversion de HTML en PDF:

Convertissez des fichiers HTML, des chaînes HTML et des URL en PDFs. Par exemple, utilisez le rendu PDF de Chrome pour transformer une page web en PDF.

Cross-Platform Support:

IronPDF est conçu pour Python 3+ et fonctionne également sur Windows, Mac, Linux ou les plateformes Cloud.

IronPDF est également disponible en.NET, Java, PythonetNode.js.

Édition et signature:

Définissez des propriétés, appliquez des mots de passe et des autorisations, et ajoutez des signatures numériques à vos PDF.

Modèles de pages et paramètres:

Vous pouvez personnaliser les PDF avec des en-têtes, des pieds de page, des numéros de page et des marges ajustables. Il prend également en charge les formats de papier personnalisés et les mises en page réactives.

Conformité aux normes:

Il est conforme aux normes PDF, notamment PDF/A et PDF/UA, prend en charge le codage des caractères UTF-8 et gère les ressources telles que les images, les feuilles de style CSS et les polices.

Installation

pip install ironpdf

pip install ironpdf

Générez des documents PDF en utilisant IronPDF et Seaborn.

Conditions préalables

1. Assurez-vous que Visual Studio Code est installé en tant qu'éditeur de code.

2. La version 3 de Python est installée.

   Pour commencer, créons un fichier Python pour ajouter nos scripts

   Ouvrez Visual Studio Code et créez un fichier, seabornDemo.py.

   Installer les bibliothèques nécessaires :

pip install seaborn
pip install ironpdf

pip install seaborn
pip install ironpdf

Ajoutez ensuite le code ci-dessous pour démontrer l'utilisation des packages Python IronPDF et Seaborn.

import seaborn as sns
import matplotlib.pyplot as plt
from ironpdf import * 
# Apply your license key
License.LicenseKey = "your key here"
# Load an example dataset
tips = sns.load_dataset("tips")
print(tips)
# Seaborn note: Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.savefig("scatterplot.png") # save same plot
ImageToPdfConverter.ImageToPdf("scatterplot.png").SaveAs("scatterplot.pdf")
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
from ironpdf import * 
# Apply your license key
License.LicenseKey = "your key here"
# Load an example dataset
tips = sns.load_dataset("tips")
print(tips)
# Seaborn note: Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.savefig("scatterplot.png") # save same plot
ImageToPdfConverter.ImageToPdf("scatterplot.png").SaveAs("scatterplot.pdf")
plt.show()

Explication du code

Dans cet exemple, nous utiliserons le même cadre de données de conseils de l'exemple ci-dessus et tracerons le diagramme de dispersion. Ensuite, enregistrez-le sous forme d'image et convertissez-le en PDF à l'aide d'IronPDF.

1. Ajoutez des imports au fichier Python : import seaborn as sns, import matplotlib.pyplot as plt, et from ironpdf import * .

2. Ajoutez la clé de licence pour commencer à utiliser IronPDF.

3. Chargez le dataframe d'échantillon "tips" qui contient les informations sur le montant total de la note et les pourboires par note.

4. Afficher le DataFrame chargé pour le voir dans la fenêtre de sortie.

5. Créez le diagramme de dispersion en utilisant la méthode scatterplot du package seaborn.

6. Enregistrez le graphique en utilisant la méthode savefig.

7. La prochaine étape consiste à créer un PDF à l'aide de IronPDF et à enregistrer l'image en utilisant les méthodes 'ImageToPdf' et 'SaveAs', en nommant le fichier scatterplot.pdf.

8. La dernière étape consiste à afficher le graphique dans une fenêtre. Vous pouvez également afficher le PDF et vérifier l'intrigue à ce stade.

Sortie

PDF (EN ANGLAIS)

Licence d'IronPDF

IronPDF for Pythonclé de licence pour permettre aux utilisateurs de tester ses fonctionnalités complètes avant d'acheter. Après la période de licence d'essai, les développeurs peuvent acheter une licence perpétuelle adaptée aux besoins de leur projet.

Placez la clé de licence au début du script avant d'utiliser le progiciel IronPDF :

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

Conclusion

Seabornest largement reconnu pour ses capacités en visualisation de données. Son interface de haut niveau, son intégration avec Pandas et ses styles par défaut élégants en font un excellent choix pour créer des graphiques statistiques informatifs et attrayants. Que vous soyez débutant ou data scientist expérimenté,Seabornpeut vous aider à explorer et comprendre vos données plus efficacement. D'autre part,IronPDFest une bibliothèque populaire pour la génération et la manipulation de PDF dans les environnements .NET, connue pour son ensemble de fonctionnalités robustes et sa facilité d'utilisation, aide à documenter et archiver les résultats deSeabornde manière standard pour les enregistrer en tant que PDFs. Les deux bibliothèques ajoutent d'excellentes compétences aux développeurs pour développer et archiver des résultats modernes de visualisation de données.