Exclure les valeurs aberrantes

Utilisons maintenant l'ensemble de données student_data pour comparer la distribution des notes finales ("G3") entre les étudiantes et étudiants qui ont l'accès à Internet à la maison et celles et ceux qui ne l'ont pas. Pour ce faire, nous allons utiliser la variable "internet", qui est un indicateur binaire (oui/non) de l'accès à Internet à la maison.

Comme l'Internet peut être moins accessible en région, nous allons ajouter des sous-groupes selon l'endroit où la personne étudiante habite. Pour cela, nous pouvons utiliser la variable "location", qui indique si elle habite en milieu urbain ("Urban") ou rural ("Rural").

Seaborn a déjà été importé sous le nom sns et matplotlib.pyplot a été importé sous le nom plt. Rappel : vous pouvez omettre les valeurs aberrantes dans les boîtes à moustaches en définissant showfliers=False.

Cette activité fait partie du cours

Introduction à la visualisation de données avec Seaborn

Instructions de l’exercice

Utilisez sns.catplot() pour créer un diagramme en boîtes avec le DataFrame student_data, en plaçant "internet" sur l'axe des x et "G3" sur l'axe des y.
Ajoutez des sous-groupes pour que chaque boîte soit colorée selon "location".
N'affichez pas les valeurs aberrantes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create a box plot with subgroups and omit the outliers






# Show plot
plt.show()

Modifier et exécuter le code

Cette activité fait partie du cours

Introduction à la visualisation de données avec Seaborn

SkillTag.level.beginnerSkillTag.label

4.9+

Commencer le cours gratuitement

Qu'est-ce que Seaborn et quand l'utiliser? Dans ce chapitre, vous le découvrirez! Vous apprendrez aussi à créer des nuages de points et des diagrammes de fréquences à partir de listes de données et de DataFrames pandas. Vous verrez également l'un des grands avantages de Seaborn : la possibilité d'ajouter facilement une troisième variable à vos graphiques en utilisant la couleur pour représenter différents sous-groupes.

Exercise 1: Introduction à Seaborn Exercise 2: Créer un nuage de points à partir de listes Exercise 3: Créer un graphique de dénombrement à partir d'une liste Exercise 4: Utiliser pandas avec Seaborn Exercise 5: Données « ordonnées » vs « désordonnées »Exercise 6: Créer un count plot avec un DataFrame Exercise 7: Ajouter une troisième variable avec hue Exercise 8: Hue et nuages de points Exercise 9: Paramètre hue et graphiques de comptage

Dans ce chapitre, vous créerez et personnaliserez des graphiques qui représentent la relation entre deux variables quantitatives. Pour ce faire, vous utiliserez des nuages de points et des graphiques linéaires afin d'explorer l'évolution, au cours d'une journée, du niveau de pollution de l'air dans une ville et le lien entre la puissance (horsepower) et l'efficacité énergétique des voitures. Vous verrez aussi un autre grand avantage de Seaborn : la création simple de sous-graphiques dans une seule figure!

Exercise 1: Introduction aux graphiques relationnels et aux sous-graphiques Exercise 2: Créer des sous-graphiques avec col et row Exercise 3: Créer des sous-graphiques à deux facteurs Exercise 4: Personnaliser les nuages de points Exercise 5: Modifier la taille des points d'un nuage de points Exercise 6: Modifier le style des points d'un nuage de points Exercise 7: Introduction aux graphiques linéaires Exercise 8: Interpréter les graphiques linéaires Exercise 9: Visualiser l'écart-type avec des graphiques linéaires Exercise 10: Tracer des sous-groupes dans des graphiques linéaires

Les variables catégorielles sont présentes dans presque tous les ensembles de données, et elles sont particulièrement fréquentes dans les sondages. Dans ce chapitre, vous apprendrez à créer et à personnaliser des graphiques catégoriels comme les boîtes à moustaches, les diagrammes à barres, les diagrammes de fréquences et les graphiques à points. En cours de route, vous explorerez des données d'enquêtes auprès de jeunes sur leurs intérêts, d'étudiants sur leurs habitudes d'étude et d'hommes adultes sur leurs perceptions de la masculinité.

Exercise 1: Diagrammes de fréquences et à barres Exercise 2: Diagrammes de dénombrement Exercise 3: Diagrammes à barres avec pourcentages Exercise 4: Personnaliser les diagrammes à barres Exercise 5: Boîtes à moustaches Exercise 6: Créer et interpréter un diagramme à moustaches (box plot)Exercise 7: Exclure les valeurs aberrantes

Exercice en cours

Exercise 8: Ajuster les moustaches Exercise 9: Graphiques en points Exercise 10: Personnaliser les graphiques à points Exercise 11: Graphiques en points avec sous-groupes

Dans ce dernier chapitre, vous apprendrez à ajouter des titres de graphiques et des étiquettes d'axes informatifs, qui figurent parmi les éléments les plus importants de toute visualisation! Vous verrez aussi comment personnaliser le style de vos visualisations pour aider votre public à saisir rapidement les messages clés. Ensuite, vous mettrez en pratique tout ce que vous avez appris dans les exercices finaux du cours!

Exercise 1: Modifier le style et la couleur du graphique Exercise 2: Modifier le style et la palette Exercise 3: Changer l'échelle Exercise 4: Utiliser une palette personnalisée Exercise 5: Ajout de titres et d'étiquettes : Partie 1 Exercise 6: FacetGrids vs. AxesSubplots Exercise 7: Ajouter un titre à un objet FacetGrid Exercise 8: Ajouter des titres et des étiquettes : Partie 2 Exercise 9: Ajouter un titre et des étiquettes d'axes Exercise 10: Faire pivoter les étiquettes de l'axe x Exercise 11: Mettre le tout ensemble Exercise 12: Boîte à moustaches avec sous-groupes Exercise 13: Diagramme à barres avec sous-groupes et sous-graphiques Exercise 14: Bravo! Quelle est la suite?