Omettre les valeurs aberrantes

Utilisons maintenant l'ensemble de données student_data pour comparer la distribution des notes finales ("G3") entre les étudiants qui ont un accès à Internet à la maison et ceux qui n'en ont pas. Pour ce faire, nous utiliserons la variable "internet", qui est un indicateur binaire (oui/non) indiquant si l'élève a accès à Internet à la maison.

Étant donné qu’Internet peut être moins accessible dans les zones rurales, nous ajouterons des sous-groupes en fonction du lieu de résidence de l'étudiant. Pour ce faire, nous pouvons utiliser la variable "location", qui indique si un étudiant vit dans une zone urbaine (« Urban ») ou rurale (« Rural »).

Seaborn a déjà été importé en tant que sns et matplotlib.pyplot a été importé en tant que plt. Pour rappel, il est possible d'omettre les valeurs aberrantes dans les graphiques à boîtes à moustaches en définissant showfliers=False.

Cet exercice fait partie du cours

<cours>Introduction à la visualisation de données avec Seaborn</cours>

Instructions de l’exercice

Utilisez sns.catplot() pour créer un graphique en boîte avec le DataFrame student_data, en plaçant "internet" sur l'axe des abscisses et "G3" sur l'axe des ordonnées.
Ajoutez des sous-groupes pour que chaque graphique soit coloré en fonction de "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

Cet exercice fait partie du cours

<cours>Introduction à la visualisation de données avec Seaborn</cours>

DébutantNiveau de compétence

4.9+

Commencer le cours gratuitement

What is Seaborn, and when should you use it? In this chapter, you will find out! Plus, you will learn how to create scatter plots and count plots with both lists of data and pandas DataFrames. You will also be introduced to one of the big advantages of using Seaborn - the ability to easily add a third variable to your plots by using color to represent different subgroups.

Exercise 1: Introduction to Seaborn Exercise 2: Making a scatter plot with lists Exercise 3: Making a count plot with a list Exercise 4: Using pandas with Seaborn Exercise 5: "Tidy" vs. "untidy" data Exercise 6: Making a count plot with a DataFrame Exercise 7: Adding a third variable with hue Exercise 8: Hue and scatter plots Exercise 9: Hue and count plots

In this chapter, you will create and customize plots that visualize the relationship between two quantitative variables. To do this, you will use scatter plots and line plots to explore how the level of air pollution in a city changes over the course of a day and how horsepower relates to fuel efficiency in cars. You will also see another big advantage of using Seaborn - the ability to easily create subplots in a single figure!

Exercise 1: Introduction to relational plots and subplots Exercise 2: Creating subplots with col and row Exercise 3: Creating two-factor subplots Exercise 4: Customizing scatter plots Exercise 5: Changing the size of scatter plot points Exercise 6: Changing the style of scatter plot points Exercise 7: Introduction to line plots Exercise 8: Interpreting line plots Exercise 9: Visualizing standard deviation with line plots Exercise 10: Plotting subgroups in line plots

Categorical variables are present in nearly every dataset, but they are especially prominent in survey data. In this chapter, you will learn how to create and customize categorical plots such as box plots, bar plots, count plots, and point plots. Along the way, you will explore survey data from young people about their interests, students about their study habits, and adult men about their feelings about masculinity.

Exercise 1: Graphiques de comptage et graphiques en barres Exercise 2: Graphiques de comptage Exercise 3: Graphiques en barres avec pourcentages Exercise 4: Personnalisation des graphiques Exercise 5: Diagrammes en boîte Exercise 6: Créer et interpréter un graphique en boîte Exercise 7: Omettre les valeurs aberrantes

Exercice actuel

Exercise 8: Ajustement des moustaches Exercise 9: Graphiques à points Exercise 10: Personnalisation des graphiques Exercise 11: Graphiques ponctuels avec sous-groupes

In this final chapter, you will learn how to add informative plot titles and axis labels, which are one of the most important parts of any data visualization! You will also learn how to customize the style of your visualizations in order to more quickly orient your audience to the key takeaways. Then, you will put everything you have learned together for the final exercises of the course!

Exercise 1: Changing plot style and color Exercise 2: Changing style and palette Exercise 3: Changing the scale Exercise 4: Using a custom palette Exercise 5: Adding titles and labels: Part 1 Exercise 6: FacetGrids vs. AxesSubplots Exercise 7: Adding a title to a FacetGrid object Exercise 8: Adding titles and labels: Part 2 Exercise 9: Adding a title and axis labels Exercise 10: Rotating x-tick labels Exercise 11: Putting it all together Exercise 12: Box plot with subgroups Exercise 13: Bar plot with subgroups and subplots Exercise 14: Well done! What's next?