https://seaborn.pydata.org/examples/index.html
https://jakevdp.github.io/PythonDataScienceHandbook/04.14-visualization-with-seaborn.html
Matplotlib оказался невероятно полезным и популярным инструментом визуализации, но даже заядлые пользователи признают, что он часто оставляет желать лучшего. Часто возникает несколько обоснованных жалоб на Matplotlib:
До версии 2.0 значения по умолчанию Matplotlib не были лучшим выбором. Он был основан на MATLAB примерно в 1999 году, и это часто проявляется.
API Matplotlib имеет относительно низкий уровень. Выполнение сложной статистической визуализации возможно, но часто требует большого количества шаблонного кода.
Matplotlib появился раньше Pandas более чем на десять лет и поэтому не предназначен для использования с Pandas DataFrames. Чтобы визуализировать данные из DataFrame Pandas, вы должны извлечь каждую серию и часто объединять их вместе в правильный формат. Было бы лучше иметь библиотеку графиков, которая могла бы разумно использовать метки DataFrame в графике.
Ответом на эти проблемы является Seaborn. Seaborn предоставляет API поверх Matplotlib, который предлагает разумный выбор стиля графика и цветов по умолчанию, определяет простые функции высокого уровня для распространенных типов статистических графиков и интегрируется с функциями, предоставляемыми Pandas DataFrames.
Честно говоря, команда Matplotlib решает эту проблему: недавно она добавила инструменты plt.style, обсуждаемые в разделе «Настройка Matplotlib: конфигурации и таблицы стилей», и начинает более плавно обрабатывать данные Pandas. Версия библиотеки 2.0 будет включать новую таблицу стилей по умолчанию, которая улучшит текущий статус-кво. Но по всем только что рассмотренным причинам Seaborn остается чрезвычайно полезным дополнением.
Комментариев нет:
Отправить комментарий