Einführung in Liniendiagramme

Einführung in die Datenvisualisierung mit Seaborn

Erin Case

Data Scientist

Was sind Liniendiagramme?

Zwei Arten von Relationsdiagrammen: Streudiagramme und Liniendiagramme

Streudiagramme

Jeder Datenpunkt ist eine unabhängige Beobachtung

Liniendiagramme

Jeder Datenpunkt steht für dieselbe Sache, die typischerweise im Zeitverlauf verfolgt wird

Liniendiagramm eines Aktienkurses in einem mehrjährigen Zeitraum

Daten zur Luftverschmutzung

Messstationen in der ganzen Stadt
Proben zur Messung des Stickstoffdioxidgehalts

Die ersten fünf Zeilen des DataFrame zur Luftverschmutzung

Streudiagramm

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2_mean", 
            data=air_df_mean, 
            kind="scatter")

plt.show()

Streudiagramm des durchschnittlichen Stickstoffdioxidgehalts im Zeitverlauf

Liniendiagramm

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2_mean", 
            data=air_df_mean, 
            kind="line")

plt.show()

Liniendiagramm des durchschnittlichen Stickstoffdioxidgehalts im Zeitverlauf

Untergruppen nach Region

Die ersten fünf Zeilen des DataFrame zur Luftverschmutzung mit einer Spalte für die Messregion

Untergruppen nach Region

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2_mean", 
            data=air_df_loc_mean, 
            kind="line",
            style="location", 
            hue="location")

plt.show()

Liniendiagramm des durchschnittlichen Stickstoffdioxidgehalts im Zeitverlauf pro Region

Markierungen hinzufügen

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2_mean", 
            data=air_df_loc_mean, 
            kind="line", 
            style="location", 
            hue="location",
            markers=True)

plt.show()

Liniendiagramm mit hinzugefügten Markierungen

Einheitlicher Linienstil

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2_mean", 
            data=air_df_loc_mean, 
            kind="line", 
            style="location", 
            hue="location",
            markers=True,
            dashes=False)

plt.show()

Liniendiagramm mit Markierungen und durchgängigen Linien

Mehrere Beobachtungen pro x-Wert

Die ersten fünf Zeilen des DataFrame zur Luftverschmutzung für eine bestimmte Messregion

Mehrere Beobachtungen pro x-Wert

Streudiagramm

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2", 
            data=air_df, 
            kind="scatter")

plt.show()

Streudiagramm des Stickstoffdioxidgehalts für alle Messstationen im Zeitverlauf

Mehrere Beobachtungen pro x-Wert

Liniendiagramm

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2", 
            data=air_df, 
            kind="line")

plt.show()

Liniendiagramm des Stickstoffdioxidgehalts für alle Messstationen im Zeitverlauf

Mehrere Beobachtungen pro x-Wert

Schattierter Bereich ist das Konfidenzintervall

Annahme: Datensatz ist eine Zufallsstichprobe
Mittelwert liegt mit Sicherheit von 95 % innerhalb dieses Intervalls
Unsicherheit der Schätzung ist dadurch erkennbar

Liniendiagramm des Stickstoffdioxidgehalts für alle Messstationen im Zeitverlauf

Standardabweichung statt Konfidenzintervall

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2", 
            data=air_df, 
            kind="line",
            ci="sd")

plt.show()

Liniendiagramm mit Standardabweichung

Konfidenzintervall deaktivieren

import matplotlib.pyplot as plt
import seaborn as sns

sns.relplot(x="hour", y="NO_2", 
            data=air_df, 
            kind="line",
            ci=None)

plt.show()

Liniendiagramm ohne Konfidenzintervall

Lass uns üben!

Einführung in die Datenvisualisierung mit Seaborn