Data analysis - DA SQL

Seaborn в Python: обзор и сравнение с Matplotlib Вторая популярная библиотека (и в целом последняя из тех, которые нужно упомянуть для аналитики) для визуализации данных. Создана на основе Matplotlib, то есть является высокоуровневой библиотекой, построенной на основе низкоуровневой (Matplotlib). Также считается ее расширенной версией. Вдобавок можно отметить, что, т.к. Matplotlib - низкоуровневая библиотека, то и работать она будет быстрее, и больше подходит для объемных данных. 🟠В чем же практическое отличие между этими библиотеками? Сравним эти библиотеки наглядно на конкретных примерах. Рисунки и входные данные будут в следующем посте. Сначала зададим данные, которые впоследствии будут использоваться во всех визуализациях: import pandas as pd import numpy as np # Создаем данные np.random.seed(42) x = np.arange(10) y = np.random.randint(1, 20, size=10) categories = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'] values = np.random.randint(10, 100, size=10) data = pd.DataFrame({'x': x, 'y': y, 'category': categories, 'value': values}) 1️⃣Использование двух библиотек вместе для построения линейного графика: import seaborn as sns import matplotlib.pyplot as plt # Строим график sns.lineplot(x='x', y='y', data=data, marker='o') plt.title('Линейный график (Seaborn)') plt.xlabel('Ось X') plt.ylabel('Ось Y') plt.show() Здесь Matplotlib отвечает за названия осей и визуализации, а также за вывод графика. Seaborn, в свою очередь, отвечает за само построение. Отсюда вытекает особенность: так как Seaborn - производная от Matplotlib, то и работать они могут в связке, и работают достаточно успешно 2️⃣ Сравнение механизма построения линейного графика, столбчатой диаграммы, круговой диаграммы и гистограммы. Matplotlib: import matplotlib.pyplot as plt #главная команда для линейного графика plt.plot(data['x'], data['y'], marker='o') #главная команда для диаграммы plt.bar(data['category'], data['value']) #главная команда для круговой диаграммы plt.pie(data['value'], labels=data['category'], autopct='%1.1f%%') #главная команда для гистограммы plt.hist(data['value'], bins=5, edgecolor='black') Seaborn: import seaborn as sns #главная команда для линейного графика sns.lineplot(x='x', y='y', data=data, marker='o') #главная команда для диаграммы sns.barplot(x='category', y='value', data=data) Seaborn не поддерживает круговые диаграммы напрямую #главная команда для гистограммы sns.histplot(data['value'], bins=5, kde=False) Как мы видим, для самых типичных визуализаций мало различий между Seaborn и Matplotlib (если не принимать во внимание то, что в Seaborn нельзя строить круговые диаграммы). Этих команд будет достаточно для построения самых дефолтных, примитивных графиков/диаграмм/гистограмм. Отсюда вытекает еще одна особенность: если мы захотим их как-то украсить или сделать более информативнее (иными словами - произвести много дополнительных настроек), то тут уже надо будет подключать Matplotlib. Существенные же различия возникают, если мы хотим построить что-то необычнее типичных графиков. 3️⃣Нетипичные визуализации, выполненные в Seaborn, которые сложнее реализовывать в Matplotlib: import seaborn as sns #Регрессионный график sns.regplot(x='x', y='y', data=data) #График рассеяния sns.scatterplot(x='x', y='y', data=data, hue='category') #Тепловая карта sns.heatmap(data=data.corr(), annot=True, cmap='coolwarm') #Распределение по категориям sns.swarmplot(x='category', y='value', data=data) #Диаграмма количества sns.countplot(x='category', data=data)