Визуализация графиков в KDE с помощью Pandas и Seaborn

Опубликовано: 24 Июля, 2021

График KDE, описанный как Оценка плотности ядра , используется для визуализации плотности вероятности непрерывной переменной. Он отображает плотность вероятности при различных значениях непрерывной переменной. Мы также можем построить один график для нескольких выборок, что помогает в более эффективной визуализации данных.

В этой статье мы будем использовать набор данных Iris и график KDE для визуализации информации о наборе данных.

О наборе данных Iris -

Атрибуты : Длина_ лепестка (см), ширина_ лепестка (см), длина_ сепала (см), ширина_ чаши (см)
Цель : Iris_Virginica, Iris_Setosa, Iris_Vercicolor
Количество экземпляров : 150

Одномерный график KDE:

Мы можем визуализировать распределение вероятностей выборки по одному непрерывному атрибуту.

# importing the required libraries
from sklearn import datasets
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
  
# Setting up the Data Frame
iris = datasets.load_iris()
  
iris_df = pd.DataFrame(iris.data, columns=["Sepal_Length",
                      "Sepal_Width", "Patal_Length", "Petal_Width"])
  
iris_df["Target"] = iris.target
  
iris_df["Target"].replace([0], "Iris_Setosa", inplace=True)
iris_df["Target"].replace([1], "Iris_Vercicolor", inplace=True)
iris_df["Target"].replace([2], "Iris_Virginica", inplace=True)
  
# Plotting the KDE Plot
sns.kdeplot(iris_df.loc[(iris_df["Target"]=="Iris_Virginica"),
            "Sepal_Length"], color="b", shade=True, Label="Iris_Virginica")
  
# Setting the X and Y Label
plt.xlabel("Sepal Length")
plt.ylabel("Probability Density")

Output:

We can also visualize the probability distribution of multiple samples in a single plot.

# Plotting the KDE Plot
sns.kdeplot(iris_df.loc[(iris_df["Target"]=="Iris_Setosa"),
            "Sepal_Length"], color="r", shade=True, Label="Iris_Setosa")
  
sns.kdeplot(iris_df.loc[(iris_df["Target"]=="Iris_Virginica"), 
            "Sepal_Length"], color="b", shade=True, Label="Iris_Virginica")
  
plt.xlabel("Sepal Length")
plt.ylabel("Probability Density")

Output:

Two-Dimensional KDE Plot :

We can visualize the probability distribution of a sample against multiple continuous attributes.

# Setting up the samples
iris_setosa = iris_df.query("Target=="Iris_Setosa"")
iris_virginica = iris_df.query("Target=="Iris_Virginica"")
  
# Plotting the KDE Plot
sns.kdeplot(iris_setosa["Sepal_Length"], 
            iris_setosa["Sepal_Width"],
            color="r", shade=True, Label="Iris_Setosa",
            cmap="Reds", shade_lowest=False)

Output:

We can also visualize the probability distribution of multiple samples in a single plot.

# Plotting the KDE Plot
sns.kdeplot(iris_setosa["Sepal_Length"],
            iris_setosa["Sepal_Width"],
            color="r", shade=True, Label="Iris_Setosa",
            cmap="Reds", shade_lowest=False)
  
sns.kdeplot(iris_virginica["Sepal_Length"], 
            iris_virginica["Sepal_Width"], color="b",
            shade=True, Label="Iris_Virginica",
            cmap="Blues", shade_lowest=False)

Выход:

Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.

Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.

Python Машинное обучение Наука о данных

Визуализация графиков в KDE с помощью Pandas и Seaborn

РЕКОМЕНДУЕМЫЕ СТАТЬИ