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।
कर्नेल डेंसिटी एस्टीमेशन, जिसे KDE के नाम से भी जाना जाता है, एक विधि है जिसमें एक निरंतर यादृच्छिक चर के प्रायिकता घनत्व फ़ंक्शन का अनुमान लगाया जा सकता है।
इस विधि का उपयोग गैर-पैरामीट्रिक मानों के विश्लेषण के लिए किया जाता है। 'डिस्टप्लॉट' का उपयोग करते समय, यदि आर्गुमेंट 'kde' को True पर सेट किया जाता है और 'hist' को False पर सेट किया जाता है, तो KDE को देखा जा सकता है।
आइए देखते हैं कि हम Python में कर्नेल डेंसिटी एस्टीमेशन को कैसे देख सकते हैं -
उदाहरण
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.distplot(df['petal_length'], kde=True, hist=False)
plt.show()आउटपुट
व्याख्या
- आवश्यक पैकेज आयात किए गए हैं।
- इनपुट डेटा 'आइरिस_डेटा' है जिसे scikit-learn लाइब्रेरी से लोड किया गया है।
- 'load_dataset' फ़ंक्शन का उपयोग आइरिस डेटा लोड करने के लिए किया जाता है।
- इस डेटा को 'डिस्टप्लॉट' फ़ंक्शन का उपयोग करके देखा जाता है।
- यहां, पैरामीटर 'kde' को true पर सेट किया गया है क्योंकि हम केवल हिस्टोग्राम प्रदर्शित करना चाहते हैं।
- यह विजुअल डेटा कंसोल पर प्रदर्शित होता है।
नोट - जब 'kde' का मान False निर्दिष्ट किया जाता है, तो केवल हिस्टोग्राम प्रदर्शित होता है।
