การแสดงข้อมูลเป็นภาพเป็นขั้นตอนที่สำคัญ เนื่องจากช่วยให้เข้าใจสิ่งที่เกิดขึ้นในข้อมูลโดยไม่ต้องดูตัวเลขจริงๆ และทำการคำนวณที่ซับซ้อน Seaborn เป็นห้องสมุดที่ช่วยในการแสดงข้อมูล มันมาพร้อมกับธีมที่ปรับแต่งเองและอินเทอร์เฟซระดับสูง
การประมาณความหนาแน่นของเคอร์เนลหรือที่เรียกว่า KDE เป็นวิธีการที่สามารถประมาณฟังก์ชันความหนาแน่นของความน่าจะเป็นของตัวแปรสุ่มแบบต่อเนื่องได้
วิธีนี้ใช้สำหรับการวิเคราะห์ค่าที่ไม่ใช่พารามิเตอร์ ในขณะที่ใช้ 'distplot' หากอาร์กิวเมนต์ 'kde' ถูกตั้งค่าเป็น True และ 'hist' ถูกตั้งค่าเป็น False KDE จะสามารถมองเห็นได้
ให้เราดูว่าเราสามารถเห็นภาพการประมาณความหนาแน่นของเคอร์เนลใน Python ได้อย่างไร -
ตัวอย่าง
นำเข้าแพนด้าเป็น pdimport seaborn เป็น sbfrom matplotlib นำเข้า pyplot เป็น pltdf =sb.load_dataset('iris')sb.distplot(df['petal_length'],kde =True, hist =False)plt.show() ผลลัพธ์
คำอธิบาย
- นำเข้าแพ็คเกจที่จำเป็น
- ข้อมูลที่ป้อนคือ 'iris_data' ซึ่งโหลดจากไลบรารี scikit เรียนรู้
- ใช้ฟังก์ชัน "load_dataset" เพื่อโหลดข้อมูลไอริส
- ข้อมูลนี้แสดงเป็นภาพโดยใช้ฟังก์ชัน 'distplot'
- ที่นี่ พารามิเตอร์ 'kde' ถูกตั้งค่าเป็นจริง เนื่องจากเราต้องการแสดงฮิสโตแกรมเท่านั้น
- ข้อมูลภาพนี้จะแสดงบนคอนโซล
หมายเหตุ − เมื่อค่าของ 'kde' ถูกระบุเป็นเท็จ จะแสดงเฉพาะฮิสโตแกรมเท่านั้น
