Eine umfassende Anleitung zum Erstellen von Boxplots in Python mit Seaborn
Boxplots sind ein leistungsstarkes Visualisierungstool, mit dem wir die Verteilung eines Datensatzes verstehen können. Sie bieten eine Zusammenfassung der minimalen, ersten Quartil-, Median-, dritten Quartil- und Maximalwerte eines Datensatzes sowie aller potenziellen Ausreißer. In diesem Artikel erfahren Sie, wie Sie mit der Seaborn-Bibliothek Boxplots in Python erstellen.
Seaborn ist eine beliebte Datenvisualisierungsbibliothek, die auf Matplotlib basiert. Es bietet eine High-Level-Schnittstelle zum Erstellen schöner und informativer statistischer Grafiken. Boxplots sind eine der vielen Arten von Plots, die Seaborn mühelos erstellen kann.
Stellen Sie zunächst sicher, dass Seaborn installiert ist. Sie können es mit pip installieren:
“`
Pip-Installation von Seaborn
“`
Sobald Sie Seaborn installiert haben, können Sie es in Ihr Python-Skript oder Jupyter Notebook importieren:
„Python
importieren Seaborn als sns
“`
Lassen Sie uns nun in die Erstellung von Boxplots mit Seaborn eintauchen.
Schritt 1: Laden Sie die Daten
Bevor wir einen Boxplot erstellen können, benötigen wir einige Daten, mit denen wir arbeiten können. Seaborn bietet integrierte Datensätze, die wir für die Praxis verwenden können. Für diesen Leitfaden verwenden wir den Datensatz „Tipps“, der Informationen über Trinkgelder enthält, die Kunden in einem Restaurant geben.
„Python
importieren Seaborn als sns
# Laden Sie den Datensatz „Tipps“.
Tips = sns.load_dataset(“tips”)
“`
Schritt 2: Erstellen Sie ein einfaches Boxplot
Um mit Seaborn einen einfachen Boxplot zu erstellen, können wir die Funktion „boxplot()“ verwenden. Diese Funktion übernimmt die Daten sowie optionale Parameter, um das Erscheinungsbild des Diagramms anzupassen.
„Python
importieren Seaborn als sns
# Erstellen Sie einen einfachen Boxplot
sns.boxplot(x=tips[„total_bill“])
“`
In diesem Beispiel erstellen wir einen Boxplot der Spalte „total_bill“ aus dem Datensatz „tips“. Der Parameter „x“ gibt die Daten an, die auf der x-Achse dargestellt werden sollen.
Schritt 3: Passen Sie den Boxplot an
Seaborn bietet eine breite Palette an Anpassungsoptionen, um Ihre Boxplots informativer und optisch ansprechender zu gestalten. Hier ein paar Beispiele:
– Hinzufügen von Titeln und Beschriftungen zu den Achsen:
„Python
importieren Seaborn als sns
importiere matplotlib.pyplot als plt
# Erstellen Sie einen einfachen Boxplot
sns.boxplot(x=tips[„total_bill“])
# Fügen Sie einen Titel und Beschriftungen hinzu
plt.title („Boxplot der Gesamtrechnung“)
plt.xlabel(“Gesamtrechnung”)
plt.ylabel(“Frequenz”)
“`
– Farbpalette ändern:
„Python
importieren Seaborn als sns
# Erstellen Sie einen einfachen Boxplot mit einer anderen Farbpalette
sns.boxplot(x=tips[„total_bill“], palette=“Blues“)
“`
– Gruppieren der Daten nach einer anderen Variablen:
„Python
importieren Seaborn als sns
# Erstellen Sie einen nach Wochentag gruppierten Boxplot
sns.boxplot(x=“day“, y=“total_bill“, data=tips)
“`
In diesem Beispiel gruppieren wir die Daten nach der Spalte „Tag“ und zeichnen die Spalte „Gesamtrechnung“ auf der Y-Achse auf.
Schritt 4: Umgang mit Ausreißern
Boxplots sind besonders nützlich, um Ausreißer in einem Datensatz zu identifizieren. Seaborn bietet Optionen für den Umgang mit Ausreißern auf unterschiedliche Weise. Standardmäßig zeigt Seaborn einzelne Datenpunkte an, die als Ausreißer gelten. Mit dem Parameter „showfliers“ können Sie jedoch Ausreißer entfernen oder deren Darstellung ändern.
So entfernen Sie Ausreißer:
„Python
importieren Seaborn als sns
# Erstellen Sie ein Boxplot, ohne Ausreißer anzuzeigen
sns.boxplot(x=tips[„total_bill“], showfliers=False)
“`
So ändern Sie das Erscheinungsbild von Ausreißern:
„Python
importieren Seaborn als sns
# Erstellen Sie ein Boxplot mit unterschiedlichem Markierungsstil für Ausreißer
sns.boxplot(x=tips[„total_bill“], flierprops={“marker“: „o“, „markerfacecolor“: „red“, „markersize“: 8})
“`
Schritt 5: Speichern Sie den Boxplot
Sobald Sie Ihren Boxplot erstellt haben, möchten Sie ihn möglicherweise als Bilddatei zur weiteren Verwendung oder Weitergabe speichern. Seaborn bietet eine einfache Möglichkeit, Plots mit der Funktion „savefig()“ von Matplotlib zu speichern.
„Python
importieren Seaborn als sns
importiere matplotlib.pyplot als plt
# Erstellen Sie einen einfachen Boxplot
sns.boxplot(x=tips[„total_bill“])
# Speichern Sie den Plot als Bilddatei
plt.savefig(“box_plot.png”)
“`
In diesem Beispiel wird der Boxplot als „box_plot.png“ im aktuellen Verzeichnis gespeichert.
Zusammenfassung
Boxplots sind ein wertvolles Werkzeug zur Visualisierung der Verteilung eines Datensatzes. Seaborn macht es einfach, informative und optisch ansprechende Boxplots in Python zu erstellen. Wenn Sie dieser umfassenden Anleitung folgen, sollten Sie nun ein gutes Verständnis dafür haben, wie Sie mit Seaborn Boxplots erstellen und diese an Ihre Bedürfnisse anpassen. Viel Spaß beim Plotten!
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: Datenintelligenz von Platon.
- Quelllink: https://zephyrnet.com/box-plot-in-python-using-seaborn-a-comprehensive-guide/
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://platodata.network/platowire/a-comprehensive-guide-to-creating-box-plots-in-python-using-seaborn/
