Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Apprendre Graphe de Paires | Visualisation avec Seaborn
Visualisation Ultime Avec Python

Glissez pour afficher le menu

book
Graphe de Paires

Note
Définition

Pair plot est utilisé pour représenter graphiquement les relations par paires entre les variables numériques d'un ensemble de données. Il est assez similaire à un joint plot, cependant, il n'est pas limité à seulement deux variables. En effet, un pair plot crée une grille NxN d'objets Axes (plusieurs sous-graphiques) où N est le nombre de variables numériques (colonnes numériques dans un DataFrame).

Description du Pair Plot

Dans un pair plot, chaque colonne partage la même variable de l'axe x, et chaque ligne partage la même variable de l'axe y. La diagonale affiche les histogrammes des variables individuelles, tandis que les autres graphiques présentent des nuages de points.

Création d'un Pair Plot

La création d'un pair plot avec seaborn consiste à appeler sa fonction pairplot(). Son paramètre le plus important et le seul obligatoire est data, qui doit être un objet DataFrame.


              
12345678910

            
import seaborn as sns
import matplotlib.pyplot as plt

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Creating a pair plot
sns.pairplot(iris_df, height=2, aspect=0.8)

plt.show()
copy

Le DataFrame iris_df est transmis à la fonction pairplot(). Les paramètres height et aspect définissent la hauteur et la largeur (calculée comme la hauteur multipliée par l'aspect) de chaque facette en pouces.

Hue

Un autre paramètre à mentionner est hue, qui spécifie la variable (nom de colonne) dans data à utiliser pour associer les aspects du graphique à différentes couleurs ou même créer des graphiques séparés (sur un même Axes) pour chacune de ses valeurs.


              
1234567891011121314

            
import seaborn as sns
import matplotlib.pyplot as plt

# Ignoring warnings
import warnings
warnings.filterwarnings('ignore')

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Setting the hue parameter to 'species'
sns.pairplot(iris_df, hue='species', height=2, aspect=0.8)

plt.show()
copy

Vous pouvez clairement observer la différence ici. Les points de données dans chaque nuage de points sont colorés en fonction de leur espèce, à partir des valeurs de la colonne species. Les graphiques diagonaux sont désormais des graphiques KDE pour chaque espèce au lieu d'histogrammes.

Dans les problèmes de classification, il est souvent pertinent de créer un pair plot avec le paramètre hue défini sur la variable cible, c'est-à-dire la variable catégorielle à prédire.

La différence est évidente. Les points de données dans chaque nuage de points sont colorés selon leur espèce, sur la base des valeurs de la colonne species. Les graphiques diagonaux ont été remplacés par des graphiques KDE pour chaque espèce au lieu d'histogrammes.

Dans les tâches de classification, il est souvent utile de créer un pair plot avec le paramètre hue défini sur la variable cible — la variable catégorielle à prédire.

Modification des types de graphiques

Il est possible de modifier le type de graphiques utilisés à la place des nuages de points par défaut, ainsi que les graphiques affichés sur la diagonale. Le paramètre kind contrôle les graphiques principaux et utilise par défaut les nuages de points, tandis que le paramètre diag_kind contrôle les graphiques diagonaux et est automatiquement choisi selon que le paramètre hue est défini ou non.


              
12345678910

            
import seaborn as sns
import matplotlib.pyplot as plt

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Setting the kind parameter and diag_kind parameters
sns.pairplot(iris_df, hue='species', kind='reg', diag_kind=None, height=2, aspect=0.8)

plt.show()
copy

'scatter', 'kde', 'hist', 'reg' sont des valeurs possibles pour le paramètre kind.

diag_kind peut être défini sur l'une des valeurs suivantes :

  • 'auto' ;

  • 'hist' ;

  • 'kde' ;

  • None.

Tout cela est similaire à la fonction jointplot() à cet égard.

Note
Approfondir

Explorez davantage dans la pairplot() documentation.

Tâche

Swipe to start coding

  1. Utiliser la fonction appropriée pour créer un pair plot.
  2. Définir les données du graphique sur penguins_df via le premier argument.
  3. Définir 'sex' comme la colonne qui associera les aspects du graphique à différentes couleurs en le spécifiant comme deuxième argument.
  4. Définir les graphiques non diagonaux pour afficher une ligne de régression ('reg') en le spécifiant comme troisième argument.
  5. Définir height à 2.
  6. Définir aspect à 0.8.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 5. Chapitre 6
Nous sommes désolés de vous informer que quelque chose s'est mal passé. Qu'est-il arrivé ?

Demandez à l'IA

expand
ChatGPT

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

book
Graphe de Paires

Note
Définition

Pair plot est utilisé pour représenter graphiquement les relations par paires entre les variables numériques d'un ensemble de données. Il est assez similaire à un joint plot, cependant, il n'est pas limité à seulement deux variables. En effet, un pair plot crée une grille NxN d'objets Axes (plusieurs sous-graphiques) où N est le nombre de variables numériques (colonnes numériques dans un DataFrame).

Description du Pair Plot

Dans un pair plot, chaque colonne partage la même variable de l'axe x, et chaque ligne partage la même variable de l'axe y. La diagonale affiche les histogrammes des variables individuelles, tandis que les autres graphiques présentent des nuages de points.

Création d'un Pair Plot

La création d'un pair plot avec seaborn consiste à appeler sa fonction pairplot(). Son paramètre le plus important et le seul obligatoire est data, qui doit être un objet DataFrame.


              
12345678910

            
import seaborn as sns
import matplotlib.pyplot as plt

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Creating a pair plot
sns.pairplot(iris_df, height=2, aspect=0.8)

plt.show()
copy

Le DataFrame iris_df est transmis à la fonction pairplot(). Les paramètres height et aspect définissent la hauteur et la largeur (calculée comme la hauteur multipliée par l'aspect) de chaque facette en pouces.

Hue

Un autre paramètre à mentionner est hue, qui spécifie la variable (nom de colonne) dans data à utiliser pour associer les aspects du graphique à différentes couleurs ou même créer des graphiques séparés (sur un même Axes) pour chacune de ses valeurs.


              
1234567891011121314

            
import seaborn as sns
import matplotlib.pyplot as plt

# Ignoring warnings
import warnings
warnings.filterwarnings('ignore')

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Setting the hue parameter to 'species'
sns.pairplot(iris_df, hue='species', height=2, aspect=0.8)

plt.show()
copy

Vous pouvez clairement observer la différence ici. Les points de données dans chaque nuage de points sont colorés en fonction de leur espèce, à partir des valeurs de la colonne species. Les graphiques diagonaux sont désormais des graphiques KDE pour chaque espèce au lieu d'histogrammes.

Dans les problèmes de classification, il est souvent pertinent de créer un pair plot avec le paramètre hue défini sur la variable cible, c'est-à-dire la variable catégorielle à prédire.

La différence est évidente. Les points de données dans chaque nuage de points sont colorés selon leur espèce, sur la base des valeurs de la colonne species. Les graphiques diagonaux ont été remplacés par des graphiques KDE pour chaque espèce au lieu d'histogrammes.

Dans les tâches de classification, il est souvent utile de créer un pair plot avec le paramètre hue défini sur la variable cible — la variable catégorielle à prédire.

Modification des types de graphiques

Il est possible de modifier le type de graphiques utilisés à la place des nuages de points par défaut, ainsi que les graphiques affichés sur la diagonale. Le paramètre kind contrôle les graphiques principaux et utilise par défaut les nuages de points, tandis que le paramètre diag_kind contrôle les graphiques diagonaux et est automatiquement choisi selon que le paramètre hue est défini ou non.


              
12345678910

            
import seaborn as sns
import matplotlib.pyplot as plt

# Loading the dataset with data about three different iris species
iris_df = sns.load_dataset('iris')

# Setting the kind parameter and diag_kind parameters
sns.pairplot(iris_df, hue='species', kind='reg', diag_kind=None, height=2, aspect=0.8)

plt.show()
copy

'scatter', 'kde', 'hist', 'reg' sont des valeurs possibles pour le paramètre kind.

diag_kind peut être défini sur l'une des valeurs suivantes :

  • 'auto' ;

  • 'hist' ;

  • 'kde' ;

  • None.

Tout cela est similaire à la fonction jointplot() à cet égard.

Note
Approfondir

Explorez davantage dans la pairplot() documentation.

Tâche

Swipe to start coding

  1. Utiliser la fonction appropriée pour créer un pair plot.
  2. Définir les données du graphique sur penguins_df via le premier argument.
  3. Définir 'sex' comme la colonne qui associera les aspects du graphique à différentes couleurs en le spécifiant comme deuxième argument.
  4. Définir les graphiques non diagonaux pour afficher une ligne de régression ('reg') en le spécifiant comme troisième argument.
  5. Définir height à 2.
  6. Définir aspect à 0.8.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 5. Chapitre 6
Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Nous sommes désolés de vous informer que quelque chose s'est mal passé. Qu'est-il arrivé ?
some-alt