1. Learn
    2. /
  2. Courses
    3. /
  3. Introduction à la visualisation de données avec Seaborn
  • 1

    Introduction à Seaborn

    Free

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

  • 2

    Visualisation de deux variables quantitatives

    Dans ce chapitre, vous allez créer et personnaliser des graphiques qui visualisent la relation entre deux variables quantitatives. Pour ce faire, vous utiliserez des diagrammes de dispersion et des diagrammes linéaires pour étudier l'évolution du niveau de pollution de l'air dans une ville au cours d'une journée et le lien entre la puissance et le rendement énergétique des voitures. Vous verrez également un autre grand avantage de l'utilisation de Seaborn - la possibilité de créer facilement des intrigues secondaires dans un seul chiffre !

  • 3

    Visualisation d'une variable catégorielle et d'une variable quantitative

    Les variables catégorielles sont présentes dans presque tous les ensembles de données, mais elles sont particulièrement importantes dans les données d'enquête. Dans ce chapitre, vous apprendrez à créer et à personnaliser des diagrammes catégoriels tels que des diagrammes en boîte, des diagrammes à barres, des diagrammes de comptage et des diagrammes ponctuels. En cours de route, vous explorerez les données d'enquêtes menées auprès de jeunes sur leurs centres d'intérêt, d'étudiants sur leurs habitudes d'étude et d'hommes adultes sur leurs sentiments à l'égard de la masculinité.

  • 4

    Personnalisation des parcelles Seaborn

    Dans ce dernier chapitre, vous apprendrez à ajouter des titres de parcelles et des étiquettes d'axes informatifs, qui constituent l'une des parties les plus importantes de toute visualisation de données ! Vous apprendrez également à personnaliser le style de vos visualisations afin d'orienter plus rapidement votre public vers les éléments clés à retenir. Ensuite, vous mettrez en commun tout ce que vous avez appris pour les exercices finaux du cours !

Initializing

Exercise

Créer des intrigues secondaires à deux facteurs

Poursuivons l'examen de l'ensemble de données student_data concernant les élèves de l'enseignement secondaire. Ici, nous voulons répondre à la question suivante : la note du premier semestre d'un étudiant ("G1") tend-elle à être en corrélation avec sa note finale ("G3") ?

De nombreux aspects de la vie d'un étudiant peuvent entraîner une note finale plus ou moins élevée. Par exemple, certains élèves bénéficient d'un soutien pédagogique supplémentaire de la part de leur école ("schoolsup") ou de leur famille ("famsup"), ce qui peut se traduire par des notes plus élevées. Essayons de contrôler ces deux facteurs en créant des sous-intrigues selon que l'élève a reçu ou non un soutien éducatif supplémentaire de la part de son école ou de sa famille.

Seaborn a été importé en tant que sns et matplotlib.pyplot a été importé en tant que plt.

Instructions 1/3

undefined XP
    1
    2
    3
  • Utilisez relplot() pour créer un diagramme de dispersion avec "G1" sur l'axe des x et "G3" sur l'axe des y, en utilisant le DataFrame student_data.