تجسم داده ها بخش مهمی از تجزیه و تحلیل داده ها است. پایتون کتابخانه های قدرتمندی مانند Matplotlib و Seaborn را برای ایجاد تصاویر آموزنده و جذاب ارائه می دهد.این مقاله آموزش هایی در مورد چگونگی استفاده از این کتابخانه ها به طور موثر فراهم می کند.

شروع کار با Matplotlib

Matplotlib یک کتابخانه به طور گسترده ای برای ایجاد تصاویر استاتیک، متحرک و تعاملی در پایتون است.این یک راه انعطاف پذیر برای تولید انواع مختلف توطئه ها فراهم می کند.

برای شروع، ماپولوتادل را با استفاده از pip نصب کنید:

[[ویرایش] [۱]

در اینجا یک مثال ساده برای ایجاد یک طرح خط است:

[در این باره] [مشرکان]: [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۳] [۱] [۱] [۳] [۳] [۱] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۱] [۱] [۳] [۱] [۳] [۳] [۳] [۳] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۱] [۱] [۳] [۱] [۳] [۳] [۳] [۱] [۳] [۳] [۳] [۳] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [

[[ویرایش] [۱] [۱۰] = [۲]، ۳، ۴، ۵ [۱۰] [۱۰] [۱۰] [۱] [۱] [۱۰]

[[ویرایش] [۲] [۲]، ۳، ۵، ۷ [۱۰] [۱۰] [۱۰] [۱۰] [۱] [۱] [۱۰] [۱] [۲] [۲] [۲] [۲] [۲] [۱۰] [۱۰] [۱] [۱] [۲] [۱] [۲] [۳] [۳] [۱] [۱] [۲] [۳] [۳] [۳] [۳] [۳] [۲] [۳] [۱] [۱] [۲] [۲] [۱] [۲] [۲] [۲] [۲] [۳] [۱] [۲] [۱] [۱] [۲] [۱] [۳] [۱] [۲] [۲] [۲] [۳] [۲] [۱] [۱] [۲] [۳] [۲] [۲] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۲] [۲] [۱] [۳] [۳] [۱] [۱] [۱] [۱]

[در این باره] [[[ویرایش] [۱]

[[ویرایش] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۱] [۱] [۱]

[[ویرایش] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]

[در این باره] [[[ویرایش] [۱] [۱۰] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۲]] [۱] [۱] [۱] [۱]

[[ویرایش] [۱] [۱۰] [۱]

مقدمه ای بر Seaborn

متولد شده در بالای Matplotlib ساخته شده و یک رابط سطح بالا برای طراحی گرافیک آماری جذاب فراهم می کند.این تجسم های پیچیده را ساده می کند و زیبایی شناسی را افزایش می دهد.

نصب Seaborn با pip:

(فَلَّهُمَهُمَهُوا بِهَهُمَهُمَهُمَهُمَهُوا بِهَهُمَهُهُهُمَهُهُهُمْهُهُمَهُهُمَهُهُمَهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُهُوا ⁇ )

در اینجا یک مثال از ایجاد یک طرح پراکنده با متولدین دریایی است:

(به انگلیسی: FLT): ماهی به عنوان ماهی متولد می شود (FLT 1)

[در این باره] [مشرکان]: [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۳] [۱] [۱] [۳] [۳] [۱] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۱] [۱] [۳] [۱] [۳] [۳] [۳] [۳] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۱] [۱] [۳] [۱] [۳] [۳] [۳] [۱] [۳] [۳] [۳] [۳] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [

[[ویرایش] [۱] [۱۰] = sns.load dataset [[۱۰] [۱۰]

[داده=tips، x='Total bill، y=tip، Color=day]

[[ویرایش] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۱]

[[ویرایش] [۱] [۱۰] [۱]

ایجاد تصاویر سفارشی

هر دو Matplotlib و Seaborn اجازه می دهند سفارشی سازی از توطئه ها را تغییر دهید، شما می توانید رنگ ها، برچسب ها، عناوین و موارد دیگر را برای بهبود وضوح و ارائه تغییر دهید.

به عنوان مثال، تغییر رنگ در Seaborn:

[[ویرایش] [۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱]

سپس طرح خود را به طور معمول برای استفاده از پالت ایجاد کنید.

  • برچسب های محور
  • اضافه کردن خطوط شبکه
  • تغییر سبک های طرح
  • ذخیره سازی چهره ها به عنوان تصاویر