डेटा की कल्पना करना एक महत्वपूर्ण कदम है क्योंकि यह संख्याओं को देखे बिना और जटिल गणनाएं किए बिना डेटा में क्या हो रहा है, इसे समझने में मदद करता है। Seaborn एक लाइब्रेरी है जो डेटा की कल्पना करने में मदद करती है। यह अनुकूलित थीम और एक उच्च-स्तरीय इंटरफेस के साथ आती है।
सामान्य स्कैटर प्लॉट, हिस्टोग्राम आदि का उपयोग तब नहीं किया जा सकता जब जिन वेरिएबल्स के साथ काम करना है वे श्रेणीबद्ध (कैटेगरिकल) प्रकृति के हों। यह वह समय है जब श्रेणीबद्ध स्कैटरप्लॉट का उपयोग करने की आवश्यकता होती है।
'स्ट्रिपप्लॉट', 'स्वार्मप्लॉट' जैसे प्लॉट का उपयोग श्रेणीबद्ध वेरिएबल्स के साथ काम करने के लिए किया जाता है। 'स्ट्रिपप्लॉट' फ़ंक्शन का उपयोग तब किया जाता है जब कम से कम एक वेरिएबल श्रेणीबद्ध हो। डेटा को एक अक्ष के साथ क्रमबद्ध तरीके से दर्शाया जाता है। लेकिन नुकसान यह है कि कुछ पॉइंट्स ओवरलैप हो जाते हैं। यहीं पर ओवरलैपिंग से बचने के लिए 'जिटर' पैरामीटर का उपयोग करना पड़ता है।
यह डेटासेट में कुछ यादृच्छिक शोर जोड़ता है, और श्रेणीबद्ध अक्ष के साथ मूल्यों की स्थिति को समायोजित करता है।
स्ट्रिपप्लॉट फ़ंक्शन का सिंटैक्स
seaborn.stripplot(x, y, data, jitter=...)
आइए देखते हैं कि 'जिटर' पैरामीटर का उपयोग डेटासेट में श्रेणीबद्ध वेरिएबल्स को प्लॉट करने के लिए कैसे किया जा सकता है -
उदाहरण
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
my_df = sb.load_dataset('iris')
sb.stripplot(x="species", y="petal_length", data=my_df, jitter=True)
plt.show()आउटपुट
व्याख्या
- आवश्यक पैकेज आयात किए गए हैं।
- इनपुट डेटा 'आइरिस_डेटा' है जिसे scikit-learn लाइब्रेरी से लोड किया गया है।
- यह डेटा एक डेटाफ्रेम में संग्रहीत है।
- 'load_dataset' फ़ंक्शन का उपयोग आइरिस डेटा लोड करने के लिए किया जाता है।
- इस डेटा को 'स्ट्रिपप्लॉट' फ़ंक्शन का उपयोग करके देखा जाता है।
- डेटाफ्रेम के मानों के ओवरलैपिंग से बचने के लिए 'जिटर' नामक एक अतिरिक्त पैरामीटर पास किया जाता है।
- यहां, डेटाफ्रेम को पैरामीटर के रूप में आपूर्ति की जाती है।
- साथ ही, x और y मान निर्दिष्ट किए जाते हैं।
- यह डेटा कंसोल पर प्रदर्शित होता है।
