Seaborn - Palette de couleurs

La couleur joue un rôle important que tout autre aspect dans les visualisations. Lorsqu'elle est utilisée efficacement, la couleur ajoute plus de valeur au tracé. Une palette signifie une surface plane sur laquelle un peintre dispose et mélange les peintures.

Palette de couleurs du bâtiment

Seaborn fournit une fonction appelée color_palette(), qui peut être utilisé pour donner des couleurs aux tracés et leur ajouter plus de valeur esthétique.

Usage

seaborn.color_palette(palette = None, n_colors = None, desat = None)

Paramètre

Le tableau suivant répertorie les paramètres de création de la palette de couleurs -

N ° Sr.	Palatte et description
1	n_colors Nombre de couleurs dans la palette. Si Aucun, la valeur par défaut dépendra de la façon dont la palette est spécifiée. Par défaut, la valeur den_colors est de 6 couleurs.
2	desat Proportion pour désaturer chaque couleur.

Revenir

Return fait référence à la liste des tuples RVB. Voici les palettes Seaborn facilement disponibles -

• Deep
• Muted
• Bright
• Pastel
• Dark
• Colorblind

Outre ceux-ci, on peut également générer une nouvelle palette

Il est difficile de décider quelle palette utiliser pour un ensemble de données donné sans connaître les caractéristiques des données. En étant conscient, nous classerons les différentes manières d'utilisercolor_palette() types -

• qualitative
• sequential
• diverging

Nous avons une autre fonction seaborn.palplot()qui traite des palettes de couleurs. Cette fonction trace la palette de couleurs sous forme de tableau horizontal. Nous en saurons plus surseaborn.palplot() dans les exemples à venir.

Palettes de couleurs qualitatives

Les palettes qualitatives ou catégorielles conviennent le mieux pour tracer les données catégorielles.

Exemple

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(current_palette)
plt.show()

Production

Nous n'avons passé aucun paramètre dans color_palette();par défaut, nous voyons 6 couleurs. Vous pouvez voir le nombre de couleurs souhaité en passant une valeur aun_colorsparamètre. Ici lepalplot() est utilisé pour tracer le tableau de couleurs horizontalement.

Palettes de couleurs séquentielles

Les graphiques séquentiels conviennent pour exprimer la distribution de données allant de valeurs relativement faibles à des valeurs plus élevées dans une plage.

L'ajout d'un caractère supplémentaire «s» à la couleur passée au paramètre de couleur tracera le tracé séquentiel.

Exemple

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("Greens"))
plt.show()

Note −Nous devons ajouter «s» au paramètre comme «Verts» dans l'exemple ci-dessus.

Palette de couleurs divergentes

Les palettes divergentes utilisent deux couleurs différentes. Chaque couleur représente une variation de la valeur allant d'un point commun dans les deux sens.

Supposons de tracer les données comprises entre -1 et 1. Les valeurs de -1 à 0 prennent une couleur et 0 à +1 en prend une autre.

Par défaut, les valeurs sont centrées à partir de zéro. Vous pouvez le contrôler avec le centre des paramètres en passant une valeur.

Exemple

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("BrBG", 7))
plt.show()

Production

Définition de la palette de couleurs par défaut

Les fonctions color_palette() a un compagnon appelé set_palette()La relation entre eux est similaire aux paires couvertes dans le chapitre sur l'esthétique. Les arguments sont les mêmes pour les deuxset_palette() et color_palette(), mais les paramètres par défaut de Matplotlib sont modifiés pour que la palette soit utilisée pour tous les tracés.

Exemple

import numpy as np
from matplotlib import pyplot as plt
def sinplot(flip = 1):
   x = np.linspace(0, 14, 100)
   for i in range(1, 5):
      plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)

import seaborn as sb
sb.set_style("white")
sb.set_palette("husl")
sinplot()
plt.show()

Production

Tracer une distribution univariée

La distribution des données est la chose la plus importante que nous devons comprendre lors de l'analyse des données. Ici, nous verrons comment seaborn nous aide à comprendre la distribution univariée des données.

Fonction distplot()fournit le moyen le plus pratique de jeter un coup d'œil sur la distribution univariée. Cette fonction tracera un histogramme qui correspond à l'estimation de la densité du noyau des données.

Usage

seaborn.distplot()

Paramètres

Le tableau suivant répertorie les paramètres et leur description -

N ° Sr.	Paramètre et description
1	data Série, baie 1d ou liste
2	bins Spécification des bacs hist
3	hist booléen
4	kde booléen

Ce sont des paramètres fondamentaux et importants à examiner.