На этом шаге мы рассмотрим функцию, используемую для построения такого графика.
Загрузим набор данных mpg:
mpg = sns.load_dataset("mpg")
Функция load_dataset() формирует набор данных и возвращает его в виде объекта pandas.DataFrame. В наборе mpg содержится информация о характеристиках ряда автомобилей. Более подробную информацию об нём можете прочитать в autompg-dataset.
Для визуальной оценки содержимого набора данных воспользуемся методом head() объекта класса DataFrame:
mpg.head()
Отметим, что в среде разработки PyCharm данный метод был проигнорирован. Скорее всего, он предназначен для использования
в Jupyter Notebook. Для простой визуализации данных мы воспользовались методом pprint() из одноименного пакета. Результат его работы
приведен на рисунке 1.
Рис.1. Набор данных mpg
Построим зависимость ускорения (acceleration) от количества лошадиных сил (horsepower), при этом размер точки будет определяться количеством цилиндров:
import matplotlib.pyplot as plt import pandas as pd import numpy as np import seaborn as sns import pprint mpg = sns.load_dataset("mpg") # mpg.head() pprint.pprint(mpg) # Вывод набора данных sns.relplot(x="horsepower", y="acceleration", size="cylinders", data=mpg) plt.show()
Результат работы приложения изображен на рисунке 2.
Рис.2. Демонстрация работы функции relplot(), вариант: диаграмма рассеяния
На следующем шаге мы рассмотрим построение линейного графика.
