پیشنهاد فرادرس

آموزش به همراه مثال: Seaborn

دسته بندی ها: آموزش های Packtpub ، آموزش های LinkedIn ، تحلیل داده (Data Analysis) ، آموزش پایتون (Python)

همانطور که سازمان ها حجم زیادی از داده را جمع آوری می کنند، برای تحلیلگران داده و دانشمندان داده مهم است تا قبل از انجام تحلیل بیشتر، این داده ها را بررسی و مصورسازی کنند. Seaborn کتابخانه مصورسازی است که برای تجزیه و تحلیل آماری ساخته شده است. API های سطح بالایی آن به شما اجازه می دهد روابط را در داده ها مصورسازی کنید. Seaborn بخشی جدایی ناپذیر ازشته ی PyData است که با دیگر کتابخانه های پایتون مانند Pandas و NumPy ادغام شده است. در این دوره با موارد زیر آشنا می شوید:

  • هیستوگرام ها و تخمین تراکم Kernel: استفاده از API های سطح بالا برای نمایش پراکندگی رگرسیون و منحنی KDE
  • روابط یکنواخت و دو متغیر: یافتن روابط خطی بین متغیرهای چندگانه
  • روابط دو طرفه: از FacetGrid و PairGrid برای پیدا کردن روابط بین جفت اهای ویژگی استفاده کنید
  • تم ها، سبک ها و پالت های رنگی: سفارشی کردن
  • مصورسازی ها با  استفاده از رنگ ها، تم ها و شکل های مختلف

سرفصل:

  • معرفی دوره
  • نصب Seaborn و بررسی مجموعه داده ها Pokemon
  • Matplotlib و Seaborn
  • 3Distributions و روابط
  • برآورد تراکم کرنل
  • مصورسازی توزیع برای یافتن الگوها
  • روابط خطی
  • داده های طبقه بندی شده و داده های چندگانه
  • پلات های 4Trellis
  • FacetGrid
  • سفارش سازی FacetGrid
  • PairGrid
  • 5 زیبایی، سبک، رنگ
  • تم ها و شکل ها
  • پالت های رنگ
  • شکل زیبایی شناسی
  • خلاصه
آیا این نوشته را دوست داشتید؟
Learn By Example: Seaborn Publisher:Packt Publishing Author:Loonycorn


As organizations collect huge amounts of data, it has become increasingly important for data analysts and scientists to explore and visualize this data before performing further analysis. Seaborn is a visualization library especially built for statistical analysis; its higher-level APIs allow you to visualize relationships in your data. Seaborn is an integral part of the PyData stack and is closely integrated with other Python libraries such as Pandas and NumPy.
Here is what this course covers:
Histograms and Kernel Density Estimation: Use high-level APIs to display regression plots and KDE curves
Univariate and bi-variate relationships: Find linear relationships between multiple variables
Pairwise relationships: Use FacetGrid and PairGrid to find relationships between pairs of features
Themes, styles, and color palettes: Customize your visualizations using different colors, themes and figure styles
This course is built around hands-on demos, built to explicitly explain concepts underpinning each topic. Real-world datasets are used where possible.
Table of Contents
1You, This Course and Us
You, This Course and Us
2Introduction
Overview
Installing Seaborn And Exploring Pokemon Dataset
Matplotlib and Seaborn
3Distributions And Relationships
Kernal Density Estimation (KDE)
Visualizing Distribution To Find Patterns
Linear Relationships
Categorical Data And Multipanel Data
4Trellis Plots
The FacetGrid
Customizing The FacetGrid
The PairGrid
5Aesthetics, Styles, Colors
Themes And Figure Styles
Color Palettes
Figure Aesthetics
Summary

پیشنهاد فرادرس