Объяснение примера:

• Дисплей: встроенный; — По умолчанию элементы
• являются блочными.Мы тут
  удалить разрывы строк до и после каждого элемента списка, чтобы отобразить их в одной строке

Элементы плавающего списка

Еще один способ создания горизонтальной панели навигации — разместить

Пример

литий
{
плыть налево;
}

а
{

дисплей: блок;
отступ: 8 пикселей;
цвет фона:
#dddddd;
}

Попробуй сам »

Объяснение примера:

• поплавок: левый; — используйте float, чтобы элементы блока скользили рядом друг с другом
• дисплей: блок; —
  Отображение ссылок в виде блоковых элементов делает всю область ссылок
  кликабельны (не только по тексту), и это позволяет нам указать отступы (и
  высота, ширина, поля и т. д.если хотите)
• отступ: 8 пикселей; — Поскольку блочные элементы занимают всю доступную ширину, они
  не могут плавать рядом друг с другом. Поэтому укажите отступы, чтобы
  они хорошо выглядят
• цвет фона: #dddddd; — Добавить серый цвет фона к каждому элементу a

Совет: Добавьте цвет фона в

вместо каждого элемента , если хотите
цвет фона на всю ширину:

---

Примеры горизонтальной панели навигации

Создайте базовую горизонтальную панель навигации с темным цветом фона и
изменить цвет фона ссылок, когда пользователь наводит указатель мыши на
их:

Пример

ul {
list-style-type: none;
маржа: 0;
отступ: 0;
переполнение:
скрытый;
цвет фона: # 333;
}

ли {
плыть налево;
}

li a {
дисплей: блок;
цвет белый;
выравнивание текста: по центру;
отступ: 14 пикселей 16 пикселей;
текст-оформление: нет;
}

/ * Измените цвет ссылки на # 111 (черный) при наведении * /
li a: hover {
background-color:
# 111;
}

Попробуй сам »

Активная / текущая ссылка для навигации

Добавьте «активный» класс к текущей ссылке, чтобы пользователь знал, на какой странице он находится:

Ссылки с выравниванием по правому краю

Выровнять ссылки по правому краю, перемещая элементы списка вправо ( float: right; ):

Пример

• Главная
• Новости
• Связаться
• <а class = "active" href = "# about"> О программе

Попробуй сам »

Разделители границы

Добавьте свойство border-right в

• , чтобы создать разделители ссылок:

  Пример

  / * Добавляем серую правую границу ко всем элементам списка, кроме последнего элемента
  (последний ребенок) * /
  li {
  граница справа: 1px solid #bbb;
  }

  li: last-child {
  border-right: нет;
  }

  Попробуй сам »

  Фиксированная панель навигации

  Сделать так, чтобы панель навигации оставалась вверху или внизу страницы, даже когда пользователь прокручивает страницу:

  Примечание. Фиксированное положение может некорректно работать на мобильных устройствах.

  Серая горизонтальная панель навигации

  Пример серой горизонтальной панели навигации с тонкой серой рамкой:

  Пример

  ul {
  border: 1px solid # e7e7e7;
  цвет фона: # f3f3f3;
  }

  li a {
  цвет:
  # 666;
  }

  Попробуй сам »

  Липкая панель навигации

  Добавить позиция: липкая; в

  , чтобы создать липкую панель навигации.

  Прикрепленный элемент переключается между относительным и фиксированным в зависимости от положения прокрутки.Он позиционируется относительно, пока не будет достигнута заданная позиция смещения во вьюпорте — затем он «закрепится» на месте (например, position: fixed).

  Пример

  ul {
  position: -webkit-sticky; / * Safari * /
  положение: липкое;
  верх: 0;
  }

  Попробуй сам »

  Примечание. Internet Explorer, Edge 15 и более ранние версии не поддерживают закрепленное позиционирование. Safari требует -webkit-
  префикс (см. пример выше). Вы также должны указать по крайней мере один из верхний , правый , нижний или левый для
  липкое позиционирование для работы.

  ---

  Другие примеры

  Адаптивный Topnav

  Как использовать медиа-запросы CSS для создания адаптивной верхней навигации.

  Попробуй сам »

  Адаптивный Sidenav

  Как использовать медиа-запросы CSS для создания адаптивной боковой навигации.

  Попробуй сам »

  ,

  python — перекрывающиеся полосы на горизонтальной гистограмме

  Переполнение стека

  1. Около

  2. Товары

  3. Для команд

  1. Переполнение стека
     Общественные вопросы и ответы

  2. Переполнение стека для команд
     Где разработчики и технологи делятся частными знаниями с коллегами

  3. работы
     Программирование и связанные с ним технические возможности карьерного роста

  4. Талант
     Нанимайте технических специалистов и создавайте свой бренд работодателя

  5. реклама
     Обратитесь к разработчикам и технологам со всего мира

  6. О компании

  ,

  Полное руководство по гистограммам

  Один из самых фундаментальных типов диаграмм — это гистограмма, и это один из ваших самых полезных инструментов, когда дело доходит до изучения и понимания ваших данных.

  Что такое гистограмма?

  Гистограмма (также известная как гистограмма, столбчатая диаграмма) отображает числовые значения для уровней категориального признака в виде столбцов. Уровни отображаются на одной оси диаграммы, а значения — на другой оси. Каждое категориальное значение требует одного столбца, и длина каждого столбца соответствует значению столбца.Столбцы нанесены на общую базовую линию, чтобы облегчить сравнение значений.

  В этом примере столбчатой ​​диаграммы показано количество покупок, совершенных на сайте разными типами пользователей. Категориальный признак, тип пользователя, отображается на горизонтальной оси, а высота каждой полосы соответствует количеству покупок, сделанных для каждого типа пользователя. Из этой диаграммы видно, что, хотя количество покупок у новых пользователей, создающих учетные записи пользователей, примерно в три раза больше, чем у тех, которые не создают учетные записи пользователей (гостей), количество покупок, сделанных повторными пользователями, значительно меньше.

  Когда следует использовать гистограмму

  Гистограмма используется, когда вы хотите показать распределение точек данных или выполнить сравнение значений метрик в различных подгруппах ваших данных. На гистограмме мы можем увидеть, какие группы являются самыми высокими или наиболее распространенными, и как другие группы сравниваются с другими. Поскольку это довольно распространенная задача, гистограммы — довольно распространенный тип диаграмм.

  Основная переменная столбчатой ​​диаграммы — это ее категориальная переменная. Категориальная переменная принимает дискретные значения, которые можно рассматривать как метки.Примеры включают штат или страну, тип отрасли, метод доступа к веб-сайту (настольный, мобильный) и тип посетителя (бесплатный, базовый, премиум). Некоторые категориальные переменные имеют упорядоченные значения, например, разделение объектов по размеру (маленький, средний, большой). Кроме того, некоторые некатегориальные переменные могут быть преобразованы в группы, например, агрегирование временных данных на основе даты (например, деление по кварталам на 20XX-Q1, 20XX-Q2, 20XX-Q3, 20XX-Q4 и т. Д.). для этой основной переменной состоит в том, что группы различны.

  Напротив, вторичная переменная будет числовой по своей природе. Значения вторичной переменной определяют длину каждой полосы. Эти значения могут поступать из самых разных источников. В своей простейшей форме значения могут быть простым подсчетом частоты или пропорцией того, какая часть данных разделена на каждую категорию, а не фактической функцией данных. Например, на следующем графике подсчитываются просмотры страниц за период в шесть месяцев. Из этой визуализации видно, что в июне и июле был небольшой пик, прежде чем вернуться к предыдущему базовому уровню.

  В других случаях значения могут быть средним, общим или некоторым другим суммарным показателем, вычисленным отдельно для каждой группы. В следующем примере высота каждой полосы отображает средний размер транзакции в зависимости от способа оплаты. Обратите внимание, что хотя средние выплаты по чекам являются самыми высокими, потребуется другой график, чтобы показать, как часто клиенты фактически их используют.

  Пример структуры данных

  Тип платежа	Средняя транзакция
  Чек	46.861
  Кредитная карта	36,681
  Дебетовая карта	28,860
  Цифровой кошелек	18.900
  Денежные средства	4,802

  Данные, отображаемые в виде гистограммы, могут иметь компактную форму, подобную приведенной выше таблице, с одним столбцом для категорий и вторым столбцом для их значений. В других случаях данные могут поступать в неагрегированной форме, как в приведенном ниже фрагменте таблицы, при этом инструмент визуализации автоматически выполняет агрегирование во время создания визуализации.

  Для гистограммы на основе количества нужен только первый столбец. Для гистограммы на основе сводки сгруппируйте по первому столбцу, а затем вычислите итоговую меру во втором.

  Лучшие практики использования гистограмм

  Использовать общий базовый план с нулевым значением

  Прежде всего, убедитесь, что все ваши столбцы нанесены на график с нулевым значением базовой линии. Эта базовая линия не только облегчает читателям сравнение длины столбцов, но и обеспечивает достоверность визуализации данных.Гистограмма с ненулевой базовой линией или каким-либо другим зазором в шкале оси может легко искажать сравнение между группами, поскольку соотношение длин столбцов не будет соответствовать соотношению в фактических значениях столбцов.

  Вырезав 90 точек из вертикальной оси, небольшую разницу в 4 точки можно преувеличить, чтобы она выглядела как соотношение 1: 3.

  Сохранение прямоугольной формы для ваших стержней

  Еще одно серьезное запрещение — это изменять форму столбцов, которые нужно построить. Некоторые инструменты позволят скруглить заглушки прутка, а не просто иметь прямые края.Это округление означает, что читателю трудно сказать, где считать фактическое значение: от вершины полукруга или где-то посередине? Можно немного закруглить углы, но убедитесь, что каждая полоса достаточно плоская, чтобы различить ее истинное значение и обеспечить легкое сравнение столбцов.

  Точно так же вам следует избегать включения трехмерных эффектов на ваши полосы. Как и в случае с сильным округлением, это может усложнить измерение длины стержней и, в качестве бонуса, может привести к несогласованию базовых линий (см. Пункт выше).

  Рассмотрим порядок категорий категорий

  При построении гистограммы вам следует учитывать, в каком порядке вы будете строить столбцы. Стандартное соглашение состоит в том, чтобы отсортировать столбцы от самых длинных к самым коротким: хотя всегда можно сравнивать длину столбцов независимо от порядка, это может снизить нагрузку на читателя по самим сравнениям. Основным исключением из этого правила является то, что метки категорий изначально упорядочены каким-либо образом.В подобных случаях внутреннее упорядочение обычно имеет приоритет.

  Коды районов не упорядочены по своей сути, поэтому лучше всего использовать сортировку по значению.

  Используйте цвет с умом

  Еще одно соображение заключается в том, как использовать цвет в гистограммах. Некоторые инструменты по умолчанию окрашивают каждую полосу по-разному, но это может отвлекать читателя, внося дополнительный смысл там, где его нет. Вместо этого цвет следует использовать целенаправленно. Например, вы можете использовать цвет, чтобы выделить определенные столбцы для повествования.Также можно использовать цвета, если они значимы для опубликованных категорий (например, для соответствия цветам компании или команды).

  Цвета радуги слева не добавляют ничего значимого для интерпретации сюжета. На правой стороне большинство полосок нейтрально-серого цвета, чтобы выделить сравнение двух цветных полос.

  Распространенные ошибки

  Замена стержней на изображения

  Может возникнуть соблазн заменить столбцы изображениями, изображающими то, что измеряется (например, мешки с деньгами для денежных сумм), будьте осторожны, чтобы не искажать свои данные таким образом.Если выбранный вами символ масштабирует и ширину, и высоту со значением, различия будут выглядеть намного больше, чем они есть на самом деле, поскольку люди в конечном итоге будут сравнивать площади полос, а не только их ширину или высоту. В приведенном ниже примере рост загрузок с 2018 по 2019 год составил 58%. Однако этот рост преувеличен с точки зрения представления на основе значков, поскольку площадь поверхности значка 2019 года более чем в 2,5 раза превышает размер значка 2018 года. ,

  Если вы чувствуете необходимость использовать значки для обозначения значений, то лучшим — хотя и не лучшим — вариантом является использование вместо них диаграммы пиктограмм типа .На диаграмме пиктограмм значение каждой категории обозначено серией значков, каждый из которых представляет определенное количество. В определенном смысле это похоже на изменение текстуры соответствующей полосы на повторяющееся изображение. Одно из основных предостережений при использовании этого типа диаграмм заключается в том, что они могут затруднить чтение значений, поскольку читателю необходимо выполнить некоторые умственные математические вычисления, чтобы измерить относительные значения каждой категории.

  Общие параметры столбчатой ​​диаграммы

  Горизонтальные штанги vs.вертикальные стержни

  Распространенным вариантом столбчатой ​​диаграммы является то, должна ли столбиковая диаграмма быть ориентирована вертикально (с категориями на горизонтальной оси) или горизонтально (с категориями на вертикальной оси). Хотя по умолчанию обычно используется вертикальная гистограмма, рекомендуется использовать горизонтальную гистограмму, когда вы сталкиваетесь с длинными ярлыками категорий. На вертикальной диаграмме эти метки могут перекрываться, и их нужно будет повернуть или сдвинуть, чтобы они оставались разборчивыми; горизонтальная ориентация позволяет избежать этой проблемы.

  Если бы столбцы из предыдущего примера были ориентированы вертикально, метки групп нужно было бы повернуть, чтобы их можно было прочитать.

  Включить аннотации значений

  Обычным дополнением к гистограммам являются аннотации значений. Хотя читателям довольно легко сравнить длину столбцов и измерить приблизительные значения на столбчатой ​​диаграмме, не всегда просто указать точные значения. Аннотации могут сообщать об этих значениях там, где они важны, и обычно размещаются в середине полосы или на ее концах.

  Включить усы вариабельности

  Когда числовые значения являются суммарной мерой, часто возникает вопрос, следует ли включать в график планки ошибок. Планки погрешностей — это дополнительные усы, добавленные к концу каждой полосы, чтобы указать на изменчивость отдельных точек данных, которые повлияли на итоговую меру. Поскольку существует множество вариантов измерения неопределенности (например, стандартное отклонение, доверительный интервал, межквартильный диапазон), важно, чтобы при отображении столбцов ошибок вы отмечали их в аннотации или комментировали, что представляют собой полосы ошибок.

  В качестве альтернативы, вы можете захотеть изобразить дисперсию внутри каждой категории с помощью другого типа диаграммы, например прямоугольной диаграммы или диаграммы скрипки. Хотя на этих графиках будет больше элементов для анализа читателем, они обеспечивают более глубокое понимание распределения значений внутри каждой группы.

  Планки ошибок показывают стандартное отклонение сумм транзакций для каждого типа платежа. Вариабельность для кредитных и дебетовых карт ниже по сравнению с другими.

  Таблица леденцов

  Одним из вариантов гистограммы является диаграмма «леденец».Он представляет ту же информацию, что и гистограмма, но с другой эстетикой. Вместо столбцов у нас есть линии, увенчанные точками на концах. Диаграмма леденца на палочке наиболее полезна, когда есть много категорий и их значения довольно близки друг к другу. Изменяя эстетическую форму нанесенных на график значений, можно значительно упростить чтение диаграммы.

  Связанные участки

  Круговая диаграмма

  Если значения на гистограмме представляют части целого (сумма длин столбцов составляет количество точек данных или 100%), то альтернативным типом диаграммы, который вы можете использовать, является круговая диаграмма.Хотя круговая диаграмма часто критикуется, она по-прежнему заполняет нишу, когда есть несколько категорий для построения, а разделение частей на целое необходимо поставить впереди и в центре. Тем не менее, как правило, вы, скорее всего, будете использовать столбчатую диаграмму в общем использовании, так как легче проводить сравнения между категориями.

  Гистограмма

  Гистограммы — близкие родственники гистограмм, отображающих значения частот. В то время как основная переменная гистограммы является категориальной по своей природе, основная переменная гистограммы является непрерывной и числовой.Столбики на гистограмме обычно располагаются рядом друг с другом, чтобы подчеркнуть этот непрерывный характер: на гистограммах обычно есть некоторый промежуток между столбцами, чтобы подчеркнуть категориальный характер первичной переменной.

  Линейный график

  Для гистограмм, отображающих сводную статистику, линейная диаграмма является ближайшим родственником. Как и связь между столбчатой ​​диаграммой и гистограммой, основная переменная линейной диаграммы обычно является непрерывной и числовой, что подчеркивается непрерывной линией между точками.Затенение области между линией и нулевой базовой линией создает диаграмму с областями, которую можно рассматривать как комбинацию гистограммы и линейной диаграммы.

  Точечный график

  В качестве альтернативы, когда у нас есть сводная статистика по категориальной первичной переменной, мы можем выбрать точечный график или точечный график Кливленда вместо гистограммы. Точечный график — это, по сути, линейный график без отрезков, соединяющих каждую точку. Это позволяет использовать его с категориальными уровнями, а не с непрерывным прогрессом.Самым большим преимуществом точечной диаграммы перед гистограммой является то, что значения указываются по положению, а не по длине, поэтому нам не обязательно нулевая базовая линия. Когда необходимая базовая линия на гистограмме мешает восприятию изменений или различий между столбцами, тогда хорошей альтернативой может быть линейная диаграмма или точечный график.

  Гистограмма с накоплением и сгруппированная гистограмма

  Гистограммы могут быть расширены, если мы введем вторую категориальную переменную, чтобы разделить каждую из групп в исходной категориальной переменной.Если значения столбцов отображают частоту групп, вторая категориальная переменная может разделить количество столбцов на подгруппы. Применительно к исходным столбцам получается гистограмма с накоплением, показанная слева на рисунке ниже. В качестве альтернативы, если мы переместим столбцы различных подгрупп на базовую линию, результирующий тип диаграммы будет сгруппированной столбчатой ​​диаграммой, показанной справа. Мы также используем сгруппированную столбчатую диаграмму при вычислении сводных статистических показателей по уровням двух категориальных переменных.

  Большинство инструментов, которые могут создавать визуализации, будь то электронные таблицы, библиотеки программирования или инструменты бизнес-аналитики, должны уметь создавать базовые вертикальные гистограммы.Иногда параметры необходимо проверить или изменить, чтобы следовать лучшим практикам. Однако для базовых потребностей исследования данных должно быть достаточно любого инструмента. Другие варианты, такие как горизонтальные полосы, полосы ошибок и аннотации, не всегда возможны. В частности, вариант диаграммы леденца на палочке обычно не считается типом диаграммы по умолчанию и обычно требует специальной настройки с помощью программных инструментов.

  Гистограмма — это один из многих типов диаграмм, которые можно использовать для визуализации данных.Узнайте больше из наших статей об основных типах диаграмм, о том, как выбрать тип визуализации данных, или просмотрев полную коллекцию статей в категории диаграмм.

  ,

  Как сделать штурмовой участок морского дна

  Из этого туториала Вы узнаете, как создать штриховку Seaborn. В руководстве объясняется синтаксис sns.barplot и показаны пошаговые примеры создания гистограмм с помощью Seaborn.

  Учебное пособие разделено на несколько разделов. Вы можете щелкнуть любую из следующих ссылок, чтобы перейти в соответствующий раздел (если вам нужно что-то конкретное).

  Содержание:

  Но если вы новичок в Seaborn или новичок в визуализации данных в Python, вам, вероятно, следует прочитать полное руководство.

  Краткий обзор гистограмм

  Давайте быстро рассмотрим гистограммы.

  Согласно Википедии, столбчатые диаграммы (также известные как столбчатые диаграммы):

  диаграмма или график, представляющий категориальные данные с прямоугольными полосами, высота или длина которых пропорциональны значениям, которые они представляют.

  Обычно разные столбцы представляют разные категории категориальной переменной. И длина каждой полосы представляет собой некоторое значение некоторой метрики для этих категорий.

  

  Когда использовать гистограмму

  Обычно мы используем гистограммы, когда у нас есть хотя бы одна категориальная переменная и одна числовая переменная.

  Мы используем гистограмму для анализа различий между категориями.

  Гистограммы — это простой, но мощный метод визуализации данных, который мы можем использовать для анализа данных.

  Но, несмотря на их относительную простоту, их не совсем легко создать на Python.

  Сказав это, давайте поговорим о создании гистограмм в Python и в Seaborn.

  Краткое знакомство с Seaborn

  Прежде чем мы поговорим о гистограммах в Сиборне, позвольте мне быстро представить Сиборна.

  Если вы не знакомы с этим, Seaborn — это пакет визуализации данных для языка программирования Python.

  

  Источник: https://seaborn.pydata.org/

  Он предоставляет функции для создания различных визуализаций статистических данных.

  Seaborn — один из лучших пакетов для визуализации данных

  Python имеет множество пакетов визуализации данных.Есть и старые, например matplotlib. Есть и более новые, такие как Plotly, Bokeh и другие.

  Зачем использовать Seaborn со всеми опциями?

  Короткий ответ заключается в том, что его гораздо проще использовать, чем многие другие варианты.

  Это зависит от того, что вы пытаетесь сделать. Если вы пытаетесь создать уникальную индивидуальную визуализацию, Seaborn, вероятно, не лучший выбор.

  Но если вы хотите легко создавать красивые статистические визуализации (например, гистограммы, линейные диаграммы и т. Д.), Тогда Seaborn в настоящее время является лучшим вариантом.

  На это есть несколько причин.

  Seaborn хорошо работает с DataFrames

  Возможно, самая большая причина использовать Seaborn заключается в том, что синтаксис в значительной степени разработан для хорошей работы с Pandas DataFrames.

  В этом отличие от многих других пакетов визуализации данных Python, в частности, от matplotlib. Примечательно, что matplotlib не , а не хорошо работает с DataFrames.

  Если вы привыкли использовать DataFrames и «думаете о визуализации» с точки зрения построения столбцов в DataFrame, тогда вам будет сложно использовать matplotlib.

  Seaborn, с другой стороны, по большей части хорошо работает с DataFrames. Легко указать, что вы хотите построить столбцы в конкретном DataFrame с помощью довольно простого синтаксиса. (В этом отношении Seaborn чем-то похож на ggplot2 в R.)

  Seaborn лучше для многомерной визуализации

  Seaborn также лучше умеет создавать многомерные визуализации данных.

  Опять же, это отличие от matplotlib.

  Например, в matplotlib есть функция для создания очень простых гистограмм.Но если вы хотите использовать несколько категориальных переменных в гистограмме, все становится значительно сложнее. Например, с помощью matplotlib довольно сложно создать «уклоненные» гистограммы.

  

  С другой стороны, с помощью Seaborn легко создавать многомерные визуализации. Синтаксис прост и интуитивно понятен. В Seaborn довольно легко создать что-то вроде «уклоненной» гистограммы (я покажу вам, как это сделать в примере 6 этого руководства).

  Знакомство с заговором Seaborn

  Seaborn позволяет легко создавать гистограммы (также известные как гистограммы) на Python.

  Инструмент, который вы используете для создания гистограмм с Seaborn, — это функция sns.barplot () .

  Для ясности, в Seaborn есть аналогичная функция под названием sns.countplot () .

  Основное различие между sns.barplot и sns.countplot состоит в том, что функция countplot () подсчитывает записи, а длина каждой полосы соответствует количеству записей для этой конкретной категории.

  Однако функция sns.barplot отличается.

  Функция sns.barplot вычисляет среднее значение

  Функция sns.barplot вычисляет сводную статистику для каждой категории. По умолчанию вычисляется среднее значение.

  Длина каждого столбца соответствует значению этой статистики. Поэтому, когда вы используете sns.barplot, по умолчанию длина полосы соответствует среднему значению данных для этой категории.

  Сказав это, можно изменить способ суммирования данных в sns.barplot, используя параметр средства оценки .Более того, если вы знаете, как обрабатывать данные с помощью Pandas, вы можете рассчитать еще более сложную статистику.

  Теперь, когда вы немного поговорили о функции sns.barplot, давайте посмотрим на ее синтаксис.

  Синтаксис sns.barplot

  Синтаксис sns.barplot () довольно прост.

  В простейшем случае вы просто вызываете функцию как sns.barplot () . Затем внутри круглых скобок вы можете указать DataFrame, который вы хотите построить, а также переменные, которые вы хотите поместить на оси x и y.

  

  Обычно это синтаксис, который вы будете использовать для создания простой гистограммы (которую я покажу вам в примере 1).

  Однако синтаксис может стать более сложным, если вы используете некоторые из дополнительных параметров sns.boxplot.

  Давайте взглянем на некоторые из этих параметров.

  Параметры sns.barplot

  Функция sns.barplot имеет более десятка параметров, которые вы можете использовать для управления работой функции.

  Однако для краткости мы поговорим только о нескольких наиболее распространенных:

  • данные
  • x
  • y
  • цвет
  • оттенок
  • ci
  • оценщик

  Давайте поговорим подробнее о каждом из этих

  данные

  Параметр data позволяет указать DataFrame, который содержит данные, которые вы хотите построить.

  Технически этот параметр также распознает массив или список массивов, но чаще всего передается Pandas DataFrame в качестве аргумента для параметра data .

  x

  Параметр x позволяет указать переменную, которую вы хотите сопоставить с осью x.

  Если вы создаете вертикальную гистограмму, то обычно в этот параметр передается категориальная переменная.

  Если вы создадите горизонтальную гистограмму, это будет числовая переменная.

  (я покажу вам их примеры в разделе примеров.)

  y

  Параметр y аналогичен параметру x .

  Параметр y позволяет указать переменную, которую вы хотите сопоставить с осью y.

  Тип переменной, которую вы передаете в y , зависит от того, какой тип столбчатой ​​диаграммы вы хотите создать.

  Если вы создаете вертикальную гистограмму, вы обычно передаете в этот параметр числовую переменную.

  Если вы создадите горизонтальную гистограмму, это будет категориальная переменная.

  (я покажу вам их примеры в разделе примеров.)

  цвет

  Параметр color позволяет указать цвет полос.

  Если вы не укажете значение для этого параметра, Seaborn выберет цвет полос. По умолчанию каждая полоса окрашивается в другой цвет.

  Я рекомендую использовать значение по умолчанию , а не .

  Как правило, вы должны изменить цвет полос, чтобы все они были одного цвета.

  Для ясности: когда вы используете параметр color , все полосы будут иметь одинаковый цвет.

  оттенок

  Параметр hue также изменяет цвет полос, но работает иначе, чем параметр color .

  Обычно вы сопоставляете категориальную переменную с параметром hue .

  Когда вы это сделаете, файл sns.Функция barplot создаст новые полосы для категорий переменной, которую вы сопоставили с оттенком . По сути, когда вы используете параметр hue , sns.barplot создаст «уклоненную» гистограмму, где цвет полосок будет установлен в соответствии с переменной hue .

  Я покажу вам пример этого в примере 6, чтобы помочь вам понять.

  ci

  Параметр ci позволяет изменять полосы ошибок гистограммы.

  Планки ошибок очень распространены в академической среде, но не так распространены в бизнес-среде.

  По умолчанию установлено значение ci = 95 , но вы можете изменить его на «sd», и в этом случае столбцы будут использоваться для обозначения стандартного отклонения данных.

  Вы также можете установить ci = None , и в этом случае функция полностью удалит полосы ошибок.

  оценщик

  Оценщик позволяет указать, какую статистическую функцию использовать для расчета длины полос.

  По умолчанию установлено значение «среднее»… поэтому sns.barplot будет вычислять среднее значение для каждой категории, а длина полосы будет соответствовать среднему значению.

  Но вы можете изменить это на другую статистику, такую ​​как «мин.», «Макс.», «Медиана» и т. Д.

  Примеры: как создавать гистограммы с помощью Seaborn

  Хорошо, теперь, когда вы узнали о синтаксисе sns.barplot, давайте взглянем на несколько примеров.

  Примеры:

  Сначала запустите этот код

  Перед запуском любого из примеров вам нужно сначала запустить некоторый предварительный код.

  Вам нужно будет импортировать несколько пакетов, установить форматирование и создать набор данных, который мы собираемся использовать.

  Установить пакеты

  Во-первых, вам нужно импортировать некоторые пакеты Python. В частности, вам нужно импортировать Pandas, Numpy и Seaborn.

  Вы можете сделать это с помощью этого кода:

  импортировать панд как pd
  импортировать numpy как np
  импортировать seaborn как sns
   

  Мы будем использовать Pandas и Numpy для создания нашего набора данных, и мы будем использовать Seaborn (очевидно) для создания наших гистограмм.

  Установить форматирование Seaborn

  Далее мы собираемся установить форматирование для наших диаграмм. По умолчанию (в зависимости от того, как установлены ваши настройки по умолчанию), ваши диаграммы могут быть отформатированы как диаграммы Matplotlib. Честно говоря, значения по умолчанию для matplotlib немного уродливы, поэтому мы собираемся использовать форматирование диаграмм Сиборна.

  Для этого мы можем использовать функцию sns.set () :

  sns.set ()
   

  Создать фрейм данных

  Наконец, мы собираемся создать фрейм данных, содержащий некоторые «фиктивные» данные.

  Последний DataFrame будет содержать фиктивные «баллы» за тест для набора студентов. В DataFrame будут три переменные: балл , класс и пол .

  Чтобы создать эти данные, мы будем использовать функцию numpy.random.normal для создания нормально распределенных данных. Эти нормально распределенные наборы данных названы с префиксом score_array_ в приведенном ниже коде.

  Эти нормально распределенные массивы затем превращаются в DataFrames с помощью pandas.Функция DataFrame. Когда мы создаем эти фреймы данных, мы добавляем переменные « класс, » и « пол, » с соответствующими значениями.

  На последнем этапе мы объединяем все вместе в один фрейм данных с помощью функции pd.concat.

  Вы можете запустить следующий код для создания данных:

  # набор семян
  np.random.seed (41)
  
  
  # создать три разных нормально распределенных набора данных
  score_array_A_m = np.random.normal (размер = 100, loc = 85, масштаб = 3)
  score_array_A_f = нп.random.normal (размер = 100, местоположение = 90, масштаб = 2)
  score_array_B_m = np.random.normal (размер = 100, loc = 83, масштаб = 4)
  score_array_B_f = np.random.normal (размер = 100, loc = 80, масштаб = 7)
  score_array_C_m = np.random.normal (размер = 100, loc = 73, масштаб = 7)
  score_array_C_f = np.random.normal (размер = 100, loc = 80, масштаб = 2)
  
  
  
  # превратить обычные наборы данных в фреймы данных
  score_df_A_m = pd.DataFrame ({'score': score_array_A_m, 'class': 'Class A', 'пол': 'Male'})
  score_df_A_f = pd.DataFrame ({'score': score_array_A_f, 'class': 'Class A', 'пол': 'Female'})
  score_df_B_m = pd.DataFrame ({'score': score_array_B_m, 'class': 'Class B', 'пол': 'Male'})
  score_df_B_f = pd.DataFrame ({'score': score_array_B_f, 'class': 'Class B', 'пол': 'Female'})
  score_df_C_m = pd.DataFrame ({'score': score_array_C_m, 'class': 'Class C', 'пол': 'Male'})
  score_df_C_f = pd.DataFrame ({'score': score_array_C_f, 'class': 'Class C', 'пол': 'Female'})
  
  
  #concat dataframes вместе
  score_data = pd.CONCAT ([score_df_A_m
                          , score_df_A_f
                          , score_df_B_m
                          , score_df_B_f
                          , score_df_C_m
                          , score_df_C_f
                          ])
  
   

  А давайте распечатаем несколько строк:

  score_data.head ()
   

  ВЫХОД:

         оценка пол класса
  0 84.187863 Кобель класса А
  1 85.314544 Кобель класса А
  2 85.751583 Кобель класса А
  3 82.224400 Кобель класса А
  4 86.701431 Кобель класса А
   

  Итак, набор данных score_data содержит три переменные с данными о классе, поле и балле для группы из 600 студентов.

  Теперь, когда у нас есть набор данных, давайте сделаем гистограммы.

  ПРИМЕР 1. Создание простой столбчатой ​​диаграммы

  Сначала мы создадим простую гистограмму.

  Для этого мы вызовем функцию sns.barplot и укажем данные, а также переменные x и y .

  Мы указываем, что хотим отобразить данные в фрейме данных score_data с кодом data = score_data .

  Мы указываем, что хотим поместить переменную "class" на ось x и переменную "score" на ось y.

  Давайте запустим код:

  sns.barplot (data = score_data
              , x = 'класс'
              , y = 'оценка'
              )
   

  А вот результат:

  

  Начну с того, что это работает, но немного несовершенно.

  Каждая категория переменной класса имеет собственные столбцы. Эти полосы размещены в разных положениях по оси x. Это соответствует коду x = 'class' .

  Длина каждой полосы соответствует среднему баллу для каждого класса. Это соответствует коду y = «оценка» . (Помните, что по умолчанию функция sns.boxplot вычисляет среднее значение для каждой категории.)

  Опять же, это работает, но есть недостатки. Полосы разного цвета, что я считаю плохим дизайном.Категории уже разделены позицией на оси x, поэтому они не должны быть разных цветов. Мы исправим это в следующем примере.

  Кроме того, мне не очень нравятся полосы ошибок на этой диаграмме. Планки ошибок необходимы для некоторых задач (например, для научных работ), но мы часто не используем их в бизнес-среде. Я покажу вам, как их удалить в примере 3.

  ПРИМЕР 2: Изменение цвета полосы

  Затем мы изменим цвета полос.

  Как я упоминал в примере 1, все полосы по умолчанию имеют разный цвет.

  Мне это не нравится. Обычно мне нравится, чтобы все столбцы были одного цвета, если только мы не используем цвет как способ различения столбцов. Имейте в виду, что сами полосы уже различаются по позиции и , поэтому нам не нужно различать их по цвету.

  Хорошо. Чтобы изменить цвет полосы, мы собираемся использовать параметр color .

  Здесь мы собираемся установить цвет = 'голубой' .

  sns.barplot (data = score_data
              , x = 'класс'
              , y = 'оценка'
              , color = 'голубой'
              )
   

  ВЫХОД:

  

  Я думаю, что голубой выглядит хорошо, поэтому я предпочитаю использовать его для диаграмм.

  Сказав это, Python понимает множество названий цветов, таких как «красный», «синий», «темно-красный» и т. Д. Поиграйте немного и найдите те цвета, которые вам нравятся.

  ПРИМЕР 3: Удаление планок погрешностей

  Что мне не нравится в двух предыдущих диаграммах, так это полосы погрешностей.

  По умолчанию Seaborn добавляет к полосам погрешности.

  Если вы хотите удалить их, вы можете установить для параметра ci значение ci = None .

  с.н.с..штриховая диаграмма (данные = оценка_данные
              , x = 'класс'
              , y = 'оценка'
              , color = 'голубой'
              , ci = Нет
              )
  
   

  ВЫХОД:

  

  Как видите, при установке ci = None черные полосы ошибок были удалены.

  ПРИМЕР 4: Создание горизонтальной гистограммы

  Затем мы «перевернем» гистограмму на бок и создадим горизонтальную гистограмму.

  Это довольно просто сделать.

  Все, что нам нужно сделать, это изменить переменные, которые мы передаем в параметры x и y .

  Здесь мы сопоставим балл с осью x и class с осью y. Не то чтобы это полностью изменило то, как мы сопоставили эти переменные в предыдущих примерах.

  sns.barplot (data = score_data
              , x = 'оценка'
              , y = 'класс'
              , color = 'голубой'
              , ci = Нет
              )
   

  ВЫХОД:

  

  Как видите, категории переменной class теперь расположены вдоль оси y (вместо оси x, как раньше).И средний балл измеряется по оси x.

  ПРИМЕР 5: Вычислить другую сводную статистику

  Здесь мы собираемся вычислить другую сводную статистику.

  По умолчанию sns.barplot вычисляет среднее значение показателя, который мы измеряем. По умолчанию длина полосок соответствует среднему значению для этих категорий.

  Но можно использовать функцию штрихового графика для вычисления различных показателей. Например, длина полосок может соответствовать минимальной, а не средней.

  Давай сделаем это.

  Здесь мы собираемся установить для параметра оценщика значение оценщик = мин. .

  от numpy import min
  
  sns.barplot (data = score_data
              , x = 'класс'
              , y = 'оценка'
              , color = 'голубой'
              , ci = Нет
              , оценка = мин.
              )
  
   

  ВЫХОД:

  

  Внимательно посмотрите. Длина полос теперь соответствует минимальному значению каждой категории, а не среднему значению.

  (Вы можете подтвердить это небольшим анализом данных в DataFrame.)

  ПРИМЕР 6. Создание гистограммы с уклоном

  Наконец, давайте создадим гистограмму с уклоном.

  Линейчатая диаграмма с уклоном - это гистограмма с несколькими столбцами в каждой категории оси x (если мы делаем вертикальную гистограмму).

  По сути, это многомерная столбчатая диаграмма.

  Давайте посмотрим.

  Для этого мы установим для параметра оттенка значение hue = 'пол' .

  sns.barplot (data = score_data
              , x = 'класс'
              , y = 'оценка'
              , оттенок = 'пол'
              , ci = Нет
              )
   

  А вот диаграмма:

  

  Обратите внимание на структуру диаграммы.

  Различные категории переменной class по-прежнему расположены вдоль оси x.

  Но в каждой категории есть два бара: один столбик для Male и один столбик для Female .

  Полосы для Male и Female имеют разные цвета. Это потому, что мы установили hue = 'пол' . Цвет полос (AKA, оттенок ) устанавливается в соответствии с различными уникальными значениями переменной пол .

  Такие гистограммы могут быть очень полезны для анализа категорий внутри категорий и сравнения сложных многовариантных групп.

  Оставьте свои вопросы в комментариях ниже

  У вас есть вопросы о создании барных участков с помощью Seaborn?

  Есть ли что-то, о чем мы здесь не рассказали, и что вам нужно понять?

  Напишите свой вопрос в разделе комментариев внизу страницы.

  Присоединяйтесь к нашему курсу, чтобы узнать больше о Seaborn

  Примеров, которые вы видели в этом руководстве, должно быть достаточно для начала, но если вы серьезно относитесь к изучению Seaborn, вам следует записаться на наш премиальный курс под названием Seaborn Mastery .

  О Seaborn можно узнать гораздо больше, и Seaborn Mastery научит вас всему, в том числе:

  • Как создать визуализацию важных данных в Python
  • Как добавить заголовки и метки осей
  • Способы форматирования диаграмм
  • Как создавать многовариантные визуализации
  • Как думать о визуализации данных в Python
  • и более…

  Более того, поможет вам полностью освоить синтаксис за несколько недель.Вы узнаете, как «свободно» писать код Seaborn.

  Подробнее здесь:

  Узнать больше о Seaborn Mastery

  ,