Seaborn เป็นห้องสมุดที่ช่วยในการแสดงข้อมูล มันมาพร้อมกับธีมที่ปรับแต่งเองและอินเทอร์เฟซระดับสูง
การประมาณความหนาแน่นของเคอร์เนลหรือที่เรียกว่า KDE เป็นวิธีการที่สามารถประมาณฟังก์ชันความหนาแน่นของความน่าจะเป็นของตัวแปรสุ่มแบบต่อเนื่องได้ วิธีนี้ใช้สำหรับการวิเคราะห์ค่าที่ไม่ใช่พารามิเตอร์ ในขณะที่ใช้ 'jointplot' หากอาร์กิวเมนต์ 'kind' ถูกตั้งค่าเป็น 'kde' มันจะพล็อตพล็อตการประมาณความหนาแน่นของเคอร์เนล
ให้เราเข้าใจว่าฟังก์ชัน 'jointplot' ทำงานอย่างไรเพื่อพล็อตการประมาณความหนาแน่นของเคอร์เนลใน python
ตัวอย่าง
import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
my_df = sb.load_dataset('iris')
sb.jointplot(x = 'petal_length',y = 'petal_width',data = my_df,kind = 'kde')
plt.show() ผลลัพธ์
คำอธิบาย
-
แพ็คเกจที่จำเป็นจะถูกนำเข้า
-
ข้อมูลที่ป้อนคือ 'iris_data' ซึ่งโหลดจากไลบรารี scikit เรียนรู้
-
ข้อมูลนี้ถูกเก็บไว้ในดาต้าเฟรม
-
ฟังก์ชัน "load_dataset" ใช้เพื่อโหลดข้อมูลไอริส
-
ข้อมูลนี้แสดงเป็นภาพโดยใช้ฟังก์ชัน "jointplot"
-
ในที่นี้ ค่าแกน 'x' และ 'y' จะถูกระบุเป็นพารามิเตอร์
-
ที่นี่ พารามิเตอร์ 'kind' ถูกระบุเป็น 'kde' เพื่อให้พล็อตเข้าใจในการพิมพ์การประมาณความหนาแน่นของเคอร์เนล
-
ข้อมูลการประมาณความหนาแน่นของเคอร์เนลนี้จะแสดงบนคอนโซล
