Séparer un grand nombre de bandes
Tracer plusieurs lignes de tendance les unes sur les autres est assez simple et permet des comparaisons rapides et précises. Malheureusement, si vous devez ajouter des bandes d'incertitude autour de ces lignes, le graphique devient difficile à lire. Distinguer si une ligne correspond au haut de la bande d'une classe ou au bas de celle d'une autre peut être ardu à cause du chevauchement des bandes. Heureusement, avec Seaborn, il n'est pas compliqué de répartir les bandes qui se chevauchent en graphiques à facettes séparés.
Pour l'illustrer, explorez les tendances des niveaux de SO2 pour quelques villes de la moitié est des États-Unis. Si vous tracez les tendances et leurs bandes de confiance sur un seul graphique, c'est le fouillis. Pour y remédier, utilisez la fonction FacetGrid() de Seaborn pour étaler les intervalles de confiance sur plusieurs panneaux et ainsi faciliter votre analyse.
Cette activité fait partie du cours
Améliorer vos visualisations de données en Python
Instructions de l’exercice
- Configurez une grille de facettes afin de séparer les graphiques selon la colonne
citydanseastern_SO2. - Envoyez la fonction de tracé de l'intervalle de confiance à
map(). - Colorez les intervalles de confiance en
'coral'. - Faites ressortir la ligne moyenne superposée, tracée avec
g.map(plt.plot,...), par rapport aux bandes de confiance en la colorant en blanc.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Setup a grid of plots with columns divided by location
g = sns.FacetGrid(eastern_SO2, col = '____', col_wrap = 2)
# Map interval plots to each cities data with corol colored ribbons
g.map(plt.____, 'day', 'lower', 'upper', ____ = 'coral')
# Map overlaid mean plots with white line
g.map(plt.plot, 'day', 'mean', ____ = '____')
plt.show()