Ordinale categorieën inkleuren

Je werkt voor de gemeenteraad van Des Moines om de samenhang tussen verschillende vervuilingsniveaus in de stad te beoordelen. De twee belangrijkste stoffen zijn SO₂ en NO₂, maar ook CO is interessant. Je hebt slechts genoeg ruimte gekregen voor één enkele visualisatie voor jouw deel van het rapport.

Je begint met een scatterplot van de SO₂- en NO₂-waarden omdat die het belangrijkst zijn, en besluit daarna de CO-waarden te tonen met een kleurenschaal die overeenkomt met CO-kwartielen. Door de continue CO-waarden in bakken te plaatsen, heb je CO omgezet in een ordinale variabele die brede patronen kan laten zien zonder dat de kijker veel moeite hoeft te doen om subtiel verschillende tinten te vergelijken.

Deze oefening maakt deel uit van de cursus

Je datavisualisaties verbeteren in Python

Bekijk cursus

Oefeninstructies

Stel de functie qcut() zo in dat 'CO' wordt opgedeeld in kwartielen.
Koppel de kleur van je scatterplot aan de nieuwe kwartielkolom.
Verander de palette naar het ColorBrewer-palet 'GnBu'.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Divide CO into quartiles
pollution['CO quartile'] = pd.qcut(pollution['CO'], q = ____, labels = False)

# Filter to just Des Moines
des_moines = pollution.query("city  ==  'Des Moines'")

# Color points with by quartile and use ColorBrewer palette
sns.scatterplot(x = 'SO2',
                y = 'NO2',
                ____ = '____', 
                  data = des_moines,
                palette = '____')
plt.show()

Code bewerken en uitvoeren