Este post é uma introdução aproximada ao módulo Seaborn em Python. Eu o uso para visualização de dados, em combinação com o Pandas. Leia os comentários para entender meu fluxo de trabalho. Qualquer dúvida pode deixar como comentário no final do post.

# pandas é um módulo python para trabalhar com quadros de dados 
import pandas 
# seaborn é um wrapper para matplotlib e serve para visualização de dados 
import seaborn 
# pandas e numpy estão relacionados, portanto eu sempre leio em numpy ao trabalhar com pandas 
import numpy 
# e desde então seaborn é um wrapper em torno de matplotlib Eu também li em matplotlib .pyplot 
import matplotlib .pyplot as plt 
# lendo em um conjunto de dados como quadro de dados usando pandas; 
# os dados são dados de produção da indústria automotiva OICA 
data_df.head()

# vamos ver também a cauda 
data_df.tail()

# vamos tentar .describe() 
data_df.describe()

plt.figure(figsize=(20,15))
plot1 = seaborn.scatterplot(x="year",y="output ",hue="country ", data=data_df)
plot1.set_title("production output by year (OICA data)", fontsize=22)
plot1.set_xlabel("year",fontsize=16)

Text(0, 0.5, 'saída')

# defina o tamanho do gráfico com matplotlib .pyplot 
plt.figure(figsize=(20,15)) 
# gire os pontos do eixo x em 90 graus 
plt.xticks(rotation=90) 
# vamos criar um gráfico boxplot 
plot2 = seaborn.boxplot(x ="country ",y="output ",data=data_df) 
# set title 
plot2.set_title("distribuição anual da produção por nação, 1999 - 2018 (dados OICA)",fontsize=22) 
# adiciona rótulos a x- e y-xis 
plot2.set_xlabel("país",fontsize=16) 
plot2.set_ylabel("produção anual",fontsize=16)

Text(0, 0.5, 'produção anual')

# swarm plots, usando seaborn 
# defina o tamanho do gráfico usando matplotlib .pyplot 
plt.figure(figsize=(20,15)) 
# rotacione os carrapatos do eixo no eixo x 
plt.xticks(rotation=90) 
# defina o estilo seaborn padrão 
seaborn.set_style ("whitegrid") 
# define o contexto padrão 
seaborn.set_context("talk") 
# cria o enxame 
plot3 = seaborn.swarmplot(x="country ",y="output ",data=data_df,color="green") 
# set title 
plot3.set_title("produção anual da indústria automotiva por país de 1999 a 2018, de acordo com a OICA",fontsize=22) 
# set axis labels 
plot3.set_xlabel("country",fontsize=22) 
# adicionar linha de referência,usando.pyplot 
plt.axhline(data_df["output "].mean(),color="blue")

<matplotlib.lines.Line2D em 0x2b02ec39b88>

plt.figure(figsize=(20,15))

seaborn.set_context("paper")

plot4 = seaborn.lineplot(x="year",y="output ",hue="country ",data=data_df)

plot4.set_title("OICA automotive industry production output time series, 1999 - 2018",fontsize=22)

plot4.set_xlabel("year",fontsize=22)
plot4.set_ylabel("production output [units]",fontsize=22)

Text(0, 0.5, 'saída de produção [unidades]')

Linnart Felkl

Cientista de dados com foco em simulação, otimização e modelagem em R, SQL, VBA e Python