Une histoire que Seaborn était facile, pratique et impressionnée

Seaborn

J'ai été impressionné par le fait que même un graphique qui est un peu difficile à dessiner avec matplotlib peut être dessiné relativement facilement avec seaborn.

Si vous essayez de dessiner ceci avec matplotlib, cela ressemblera à ceci. C'est peut-être faux car c'est super approprié,

import itertools
fig, axes = plt.subplots(2, 3)
col_f = 'Pclass'
col_f_domain = [1, 2, 3]
row_f = 'Sex'
row_f_domain = ['male', 'female']
for i, (r, c) in enumerate(itertools.product(row_f_domain, row_f_domain)):
    row_i = i // 3
    col_i = i % 3
    ax = axes[row_i][col_i]
    # (Ce qui suit est omis)

Oh ouais, ne tourne pas la boucle for. Ceci est une ligne pour seaborn ...

sns.relplot(x='Age', y='Fare', hue='Survived', col='Pclass', row='Sex', data=train_data)

finalement

Lors de l'exécution d'EDA (Exploratory Data Analysis), de nombreux graphiques sont dessinés tout en modifiant la quantité et le niveau de caractéristiques à comparer, il existe donc un outil qui peut rapidement appliquer des tracés aussi complexes. C'est pratique. D'autre part, matplotlib est capable de gérer les démangeaisons qui ne peuvent pas être atteintes avec de tels outils de haut niveau. Je pense que je devrais utiliser matplotlib pour dessiner des graphiques que Seaborn ne peut pas dessiner.