Ändern des Stils der Punkte in der Punktwolke

Untersuchen wir weiter den mpg Datensatz von Seaborn, indem wir uns den Zusammenhang zwischen der Beschleunigung eines Autos ("acceleration") und seiner Kraftstoffeffizienz ("mpg") ansehen. Unterscheiden sich diese Eigenschaften je nach Herkunftsland ("origin")?

Beachte, dass die Variable "acceleration" die Zeit für die Beschleunigung von 0 auf 60 Meilen pro Stunde in Sekunden ist. Höhere Werte bedeuten eine langsamere Beschleunigung.

Diese Übung ist Teil des Kurses

Einführung in die Datenvisualisierung mit Seaborn

Anleitung zur Übung

Verwende relplot() und den mpg DataFrame, um ein Streudiagramm mit "acceleration" auf der x-Achse und "mpg" auf der y-Achse zu erstellen. Variiere den Stil und die Farbe der Diagrammpunkte nach Herkunftsland ("origin").

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Import Matplotlib and Seaborn
import matplotlib.pyplot as plt
import seaborn as sns

# Create a scatter plot of acceleration vs. mpg




# Show plot
plt.show()

Bearbeiten und Ausführen von Code

Diese Übung ist Teil des Kurses

Einführung in die Datenvisualisierung mit Seaborn

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Was ist Seaborn und wann solltest du es verwenden? In diesem Kapitel wirst du es herausfinden! Außerdem lernst du, wie du Streudiagramme und Zähldiagramme sowohl mit Datenlisten als auch mit Pandas DataFrames erstellen kannst. Du wirst auch einen der großen Vorteile von Seaborn kennenlernen - die Möglichkeit, deinen Plots ganz einfach eine dritte Variable hinzuzufügen, indem du verschiedene Untergruppen farblich darstellst.

Exercise 1: Einführung in Seaborn Exercise 2: Erstellen einer Punktwolke mit Listen Exercise 3: Auszählungsdiagramm mit einer Liste erstellen Exercise 4: Verwendung von Pandas mit Seaborn Exercise 5: "Aufgeräumte" vs. "unaufgeräumte" Daten Exercise 6: Erstellen einer Zählung mit einem DataFrame Exercise 7: Hinzufügen einer dritten Variable mit Farbton Exercise 8: Farbton und Streuungsdiagramme Exercise 9: Farbton und Anzahl der Plots

In diesem Kapitel wirst du Diagramme erstellen und anpassen, die die Beziehung zwischen zwei quantitativen Variablen visualisieren. Dazu verwendest du Streudiagramme und Liniendiagramme, um herauszufinden, wie sich die Luftverschmutzung in einer Stadt im Laufe eines Tages verändert und wie die PS-Zahl mit der Kraftstoffeffizienz von Autos zusammenhängt. Du wirst auch einen weiteren großen Vorteil von Seaborn sehen - die Möglichkeit, mit einer einzigen Figur ganz einfach Nebenplots zu erstellen!

Exercise 1: Einführung in relationale Plots und Subplots Exercise 2: Erstellen von Teilplots mit Spalten und Zeilen Exercise 3: Erstellen von Zwei-Faktoren-Teilplots Exercise 4: Streudiagramme anpassen Exercise 5: Ändern der Größe der Punkte in der Punktwolke Exercise 6: Ändern des Stils der Punkte in der Punktwolke

Aktuelle Übung

Exercise 7: Einführung in Liniendiagramme Exercise 8: Liniendiagramme interpretieren Exercise 9: Visualisierung der Standardabweichung mit Liniendiagrammen Exercise 10: Untergruppen in Liniendiagrammen einzeichnen

Kategoriale Variablen gibt es in fast jedem Datensatz, aber sie sind in Umfragedaten besonders auffällig. In diesem Kapitel lernst du, wie du kategoriale Diagramme wie Boxplots, Balkendiagramme, Zähldiagramme und Punktdiagramme erstellst und anpasst. Auf dem Weg dorthin wirst du Umfragedaten von Jugendlichen über ihre Interessen, von Studenten über ihre Lerngewohnheiten und von erwachsenen Männern über ihre Gefühle zur Männlichkeit untersuchen.

Exercise 1: Zähldiagramme und Balkendiagramme Exercise 2: Plots zählen Exercise 3: Balkendiagramme mit Prozentsätzen Exercise 4: Balkendiagramme anpassen Exercise 5: Kastendiagramme Exercise 6: Erstellen und Interpretieren eines Boxplots Exercise 7: Ausreißer auslassen Exercise 8: Anpassen der Schnurrhaare Exercise 9: Punktdiagramme Exercise 10: Punktdiagramme anpassen Exercise 11: Punktdiagramme mit Untergruppen

In diesem letzten Kapitel lernst du, wie du aussagekräftige Diagrammtitel und Achsenbeschriftungen hinzufügst, die zu den wichtigsten Bestandteilen jeder Datenvisualisierung gehören! Du lernst auch, wie du den Stil deiner Visualisierungen anpassen kannst, damit dein Publikum die wichtigsten Erkenntnisse schneller erkennt. Dann wirst du alles, was du gelernt hast, in den abschließenden Übungen des Kurses zusammenfügen!

Exercise 1: Ändern des Plotstils und der Farbe Exercise 2: Stil und Farbpalette ändern Exercise 3: Ändern der Skala Exercise 4: Eine benutzerdefinierte Palette verwenden Exercise 5: Hinzufügen von Titeln und Beschriftungen: Part 1 Exercise 6: FacetGrids vs. AchsenTeilplots Exercise 7: Hinzufügen eines Titels zu einem FacetGrid-Objekt Exercise 8: Hinzufügen von Titeln und Beschriftungen: Part 2 Exercise 9: Hinzufügen eines Titels und von Achsenbeschriftungen Exercise 10: Drehende x-Tick-Etiketten Exercise 11: Alles zusammenfügen Exercise 12: Boxplot mit Untergruppen Exercise 13: Balkendiagramm mit Untergruppen und Unterplots Exercise 14: Gut gemacht! Was kommt als Nächstes?