Computer >> कंप्यूटर ट्यूटोरियल >  >> प्रोग्रामिंग >> Python

सीबॉर्न हीटमैप पर एक्सिस टिक मार्क्स कैसे हटाएं


सीबॉर्न हीटमैप पर एक्सिस टिक मार्क्स हटाने के लिए, हम निम्नलिखित चरण अपना सकते हैं:

चरण

  • फिगर का आकार सेट करें और सबप्लॉट्स के बीच और आसपास पैडिंग एडजस्ट करें।
  • 4×4 डायमेंशन के साथ रैंडम डेटा पॉइंट्स बनाएं।
  • आयताकार डेटा को कलर-एन्कोडेड मैट्रिक्स के रूप में प्लॉट करें।
  • tick_params() का उपयोग ticks और tick labels की उपस्थिति बदलने के लिए करें। टिक मार्क्स हटाने के लिए left=false और bottom=false का उपयोग करें।
  • फिगर प्रदर्शित करने के लिए Show() मेथड का उपयोग करें।

उदाहरण

import numpy as np
import seaborn as sns
from matplotlib import pyplot as plt

plt.rcParams["figure.figsize"] = [7.00, 3.50]
plt.rcParams["figure.autolayout"] = True

data = np.random.rand(4, 4)
ax = sns.heatmap(data, vmax=1)
ax.tick_params(left=False, bottom=False)
plt.show()

आउटपुट

यह निम्नलिखित आउटपुट प्रदर्शित करेगा:

सीबॉर्न हीटमैप पर एक्सिस टिक मार्क्स कैसे हटाएं


  1. Seaborn में x-ticks का घनत्व कैसे कम करें? Seaborn में x-ticks का घनत्व कैसे कम करें?

    Seaborn बारप्लॉट में बहुत सारे x-ticks हों तो, हर दूसरे लेबल को छुपाकर घनत्व कम करें। चरण फिगर साइज़ और ऑटोलेआउट सेट करें। Pandas DataFrame बनाएं और sns.barplot() से प्लॉट करें। bar_plot.get_xticklabels() को इन्यूमरेट करें। सम इंडेक्स वाले लेबल्स विजिबल रखें, विषम वाले set_visible(False) करें। plt.

  1. Matplotlib का उपयोग करके Seaborn FacetGrid में हीटमैप को वर्गाकार कैसे बनाएं? Matplotlib का उपयोग करके Seaborn FacetGrid में हीटमैप को वर्गाकार कैसे बनाएं?

    Seaborn facetgrid में हीटमैप को वर्गाकार बनाने के लिए, हम 10×10 रैंडम डेटा सेट के साथ heatmap() मेथड का उपयोग कर सकते हैं। चरण न्यूनतम -1 और अधिकतम 10 के साथ साइज़ 10×10 का रैंडम डेटा बनाएं। डेटा और कलर मैप twilight_r के साथ heatmap() मेथड का उपयोग करके आयताकार डेटा को कलर-एन्कोडेड मैट्रिक्स के

  1. पायथन में seaborn लाइब्रेरी का उपयोग करके बैकग्राउंड एक्सिस स्पाइन्स के बिना डेटा कैसे प्रदर्शित करें पायथन में seaborn लाइब्रेरी का उपयोग करके बैकग्राउंड एक्सिस स्पाइन्स के बिना डेटा कैसे प्रदर्शित करें

    मशीन लर्निंग डेटा से मॉडल बनाने और पहले कभी न देखे गए डेटा पर सामान्यीकरण करने से संबंधित है। मशीन लर्निंग मॉडल को इनपुट के रूप में प्रदान किया गया डेटा ऐसा होना चाहिए कि सिस्टम द्वारा इसे ठीक से समझा जा सके, ताकि यह डेटा की व्याख्या कर सके और परिणाम उत्पन्न कर सके।डेटा को विज़ुअलाइज़ करना एक महत्वप