Jointplot y Pairplot

Otros ejemplos graficos

Si con 4 variables numéricas tarda en cargar me pregunto que pasaría si lo hago en un dataset más amplio 😄

Me enamoré de Pairplot

sns.pairplot(data=tips,hue="sex");

Filtré por los números de comensales para que solo quede 2,3 y 4, que son los más representativos del dataset. Hice un joinplot separando por número de comensales (hue=size).

cond_234 =(tips['size'] > 1) & (tips['size'] < 5)
tips_234 = tips[cond_234] 
sns.jointplot(data=tips_234, x='total_bill',y='tip',hue='size',palette='Set2')
plt.show()

Entre otras cosas, en el gráfico joinplot se puede ver la relación directa que tiene la facturación y las propinas. Además que las mayores facturación y propinas pertenecen a los grupos de comensales mayoritarios.

Información resumida de esta clase
#EstudiantesDePlatzi

• Con las funciones Jointplot o Pairplot puedo crear diferentes tipos de gráficos simultáneamente

• Jointplot me genera varias gráficas dentro de una sola

• Con esta función seaborn me genera las gráficas que él piensa que son las mejores para analizar nuestros datos

• Puedo cambiar cuando lo desee los tipos de gráfico con el parámetro kind

• Con el parámetro marginal puedo modificar los ejes de las gráficas que se encuentran en la parte superior y lateral

• Con la función pairplot puedo también crear varias gráficas, pero en esta ocasión van a estar separadas

• Pairplot funciona para la relación de variables numéricas

• Puedo utilizar estas dos funciones para tener una vista general de mis datos y su relación numérica

16. Jointplot y Pairplot

# Ayuda mucho en ciencia de datos, se usan mucho al principio en los dataset, despues de una limpieza
import seaborn as sns
import matplotlib.pyplot as plt

sns.jointplot(data=tips,x='total_bill',y='tip',hue='sex',kind='hist',marginal_ticks=True,marginal_kws=dict(bins=25,fill=False,multiple='dodge')); # Une dos gráficos y lo hace de la mejor manera que cree seaborn

sns.pairplot(data=tips,hue='sex',palette='dark',corner=True,kind='scatter'); # Pairplot funciona para variables numéricas

sns.pairplot(data=tips, hue='sex', palette='bright', corner=True, kind='scatter')
plt.show()

Jointplot y Pairplot
________________________________________
Jointplot y Pairplot son funcionalidades de Seaborn, porque con un solo comando se puede generar varios tipos de gráficos.
Ejercicio práctico con Jointplot y Pairplot Importamos datos
________________________________________
[1]
2 s
import matplotlib.pyplot as plt
import seaborn as sns
________________________________________
[2]
0 s
titanic = sns.load_dataset("titanic")
titanic.head(10)
________________________________________
[3]
0 s
sns.jointplot(data=titanic, x="age", y="fare")
plt.show()
#con el graficador (joinplot), me une dos distintas graficas en uno solo para sacar mucho mas valor analitico, como es el caso de 
#dispersion en fare y age y a su vez una distribucion en los ejes (x,y) para ver donde esta la concentracion de los datos y podemos ver que estos 
#corespoden al histograma de (x,y)  
________________________________________
[4]
0 s
plt.figure(figsize=(8,8))
sns.jointplot(data=titanic, x="age", y="fare",hue="sex")
plt.show()
#aca estamos segmentado con el parametro (hue) la distribucion y concentracion de los datos 
________________________________________
[5]
0 s
plt.figure(figsize=(10,10))
sns.jointplot(data=titanic, x="age", y="fare",hue="sex",kind="hist")
plt.show()
#aca lo Stamos reprecentando en manera de hist
________________________________________
[6]
8 s
plt.figure(figsize=(10,10))
sns.jointplot(data=titanic, x="age", y="fare",hue="sex",kind="kde")
plt.show()
#es un poco mas dificil de analisar pero podemos notar la concentracion de los datos, y se va distribuyendo a lo largo del grafico 
________________________________________
[7]
1 s
plt.figure(figsize=(10,10))
sns.jointplot(data=titanic, x="age", y="fare",hue="sex",kind="hist",marginal_ticks=True)
plt.show()
#con el parametro (marginal_ticks=), me muetra una pequeña tabla donde me indica el valor o la escala, de los histogramas 
#que en muchas ocasiones es muy útil 
________________________________________
[8]
3 s
plt.figure(figsize=(10,10))
sns.jointplot(data=titanic, x="age", y="fare",hue="sex",kind="hist",marginal_ticks=True,
              marginal_kws=dict(bins=25,fill=False,multiple="dodge"))
plt.show()
#de esta manera puedo trabajar diferentes datos custumisables a lo que vimos anteriormente simplemente utilizando
#la sentencia de joinplot
________________________________________
pairplot
trabajando con otro grafico mas
________________________________________
[10]
0 s
iris = sns.load_dataset("iris")
iris.head(10)
________________________________________
[11]
sns.pairplot(data=iris)
plt.show()
#con el graficador (pairplot), caso me toma 4 variables de mi dataset que es iris, 
#estas variables tienen algo en común son variables numéricas
#este graficador me sirva para la relacion de variables numericas cruzandolas entre si
#la gren ventaja que tengo con (pair), esque pueno analisar todas la variables numericas en un solo grafico  
________________________________________
[13]
sns.pairplot(data=iris,hue="species")
plt.show()
#aca me genera un diagrama de dencidades, esta funcion es totalmente custumisable
#como lo hicimos anteriormente 
________________________________________
[15]
8 s
sns.pairplot(data=iris,hue="species",palette="coolwarm")
plt.show()
#aca generamos nuestro grafico con colores cálidos y fríos 
________________________________________
[16]
sns.pairplot(data=iris,hue="species",palette="coolwarm",corner=True)
plt.show()
#con este parametro podemos quitar la informacion repetida, solo generando uan esquina con la imformacion relevante 
________________________________________
[18]
sns.pairplot(data=iris,hue="species",palette="coolwarm",corner=True,kind="scatter")
plt.show()
#podemos ejecutar distintos tipos de diagramas 
#esta es una herramienta muy útil a la hora de diagramar  
________________________________________
joinplot y pairplot
trabajamos con estos gráficos cuando tengo un dataset de entrada y puedo generar un reviu muy veloz de con qué tipo de variable estoy trabajando, como es la relación numérica entre las variables y que puedo sacar visualizando su concentración de los datos y relación de tipo scatter

hermoso yo lo llamo arte

Me encanto el uso de estos dos diagrama y como se pueden implementar en el desarrollo de nuestras graficas. Gracias a estos nos permitira mejorar nuestra capacidad al momento de programarlo en nuestros proyectos.

Apuntes de la clase

Jointplot

sns.jointplot(data = tips,
              x = 'total_bill',
              y = 'tip',
              hue = 'sex',
              kind = 'hist',
              marginal_ticks = True,
              marginal_kws = dict(bins = 10,
                                  fill = False,
                                  multiple = 'dodge'))

Pairplot

sns.pairplot(data = tips,
             hue = 'sex',
             palette = 'coolwarm',
             corner = True)

sns.pairplot(data=tips, hue='sex',palette='coolwarm',corner=True,kind='scatter')
plt.show()

Ejercicio de clase