Seaborn - paleta de cores
A cor desempenha um papel importante do que qualquer outro aspecto nas visualizações. Quando usada de forma eficaz, a cor agrega mais valor ao gráfico. Uma paleta significa uma superfície plana na qual um pintor organiza e mistura tintas.
Paleta de cores de construção
Seaborn fornece uma função chamada color_palette(), que pode ser usado para dar cores às tramas e agregar mais valor estético a elas.
Uso
seaborn.color_palette(palette = None, n_colors = None, desat = None)Parâmetro
A tabela a seguir lista os parâmetros para a construção da paleta de cores -
| Sr. Não. | Palatte e descrição |
|---|---|
| 1 | n_colors Número de cores na paleta. Se Nenhum, o padrão dependerá de como a paleta é especificada. Por padrão, o valor den_colors tem 6 cores. |
| 2 | desat Proporção para dessaturar cada cor. |
Retorna
Return refere-se à lista de tuplas RGB. A seguir estão as paletas Seaborn prontamente disponíveis -
- Deep
- Muted
- Bright
- Pastel
- Dark
- Colorblind
Além destes, também se pode gerar uma nova paleta
É difícil decidir qual paleta deve ser usada para um determinado conjunto de dados sem conhecer as características dos dados. Conscientes disso, classificaremos as diferentes formas de usocolor_palette() tipos -
- qualitative
- sequential
- diverging
Temos outra função seaborn.palplot()que lida com paletas de cores. Esta função plota a paleta de cores como matriz horizontal. Saberemos mais sobreseaborn.palplot() nos próximos exemplos.
Paletas de cores qualitativas
Paletas qualitativas ou categóricas são mais adequadas para plotar os dados categóricos.
Exemplo
from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(current_palette)
plt.show()Resultado
Não passamos nenhum parâmetro em color_palette();por padrão, estamos vendo 6 cores. Você pode ver o número desejado de cores passando um valor para on_colorsparâmetro. Aqui opalplot() é usado para plotar a matriz de cores horizontalmente.
Paletas de cores sequenciais
Os gráficos sequenciais são adequados para expressar a distribuição de dados que variam de valores mais baixos relativos a valores mais altos dentro de um intervalo.
Anexar um caractere adicional 's' à cor passada para o parâmetro de cor traçará o gráfico Sequencial.
Exemplo
from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("Greens"))
plt.show()
Note −Precisamos adicionar 's' ao parâmetro como 'Verdes' no exemplo acima.
Paleta de cores divergentes
Paletas divergentes usam duas cores diferentes. Cada cor representa a variação no valor que varia de um ponto comum em qualquer direção.
Suponha que plote os dados variando de -1 a 1. Os valores de -1 a 0 usam uma cor e 0 a +1 leva outra cor.
Por padrão, os valores são centralizados em zero. Você pode controlá-lo com o centro do parâmetro passando um valor.
Exemplo
from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("BrBG", 7))
plt.show()Resultado
Configurando a paleta de cores padrão
As funções color_palette() tem um companheiro chamado set_palette()A relação entre eles é semelhante à dos pares abordados no capítulo de estética. Os argumentos são os mesmos para ambosset_palette() e color_palette(), mas os parâmetros padrão do Matplotlib são alterados para que a paleta seja usada para todos os gráficos.
Exemplo
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()Resultado
Plotando distribuição univariada
A distribuição de dados é a coisa mais importante que precisamos entender ao analisar os dados. Aqui, veremos como o seaborn nos ajuda a compreender a distribuição univariada dos dados.
Função distplot()fornece a maneira mais conveniente de dar uma olhada rápida na distribuição univariada. Esta função traçará um histograma que se ajusta à estimativa de densidade do kernel dos dados.
Uso
seaborn.distplot()Parâmetros
A tabela a seguir lista os parâmetros e suas descrições -
| Sr. Não. | Parâmetro e Descrição |
|---|---|
| 1 | data Série, array 1d ou uma lista |
| 2 | bins Especificação de bins hist |
| 3 | hist bool |
| 4 | kde bool |
Esses são parâmetros básicos e importantes a serem observados.