Wizualizacja klastrów

Analiza skupień w Pythonie

Shaumik Daityari

Business Analyst

Dlaczego wizualizować klastry?

Zrozumienie utworzonych klastrów
Dodatkowy krok w walidacji klastrów
Wykrywanie trendów w danych

Wprowadzenie do seaborn

seaborn: biblioteka wizualizacji danych w Pythonie oparta na matplotlib
Lepsza i łatwiej modyfikowalna estetyka niż matplotlib!
Zawiera funkcje ułatwiające wizualizację danych w analizie danych
Zastosowanie w klastrowaniu: parametr hue dla wykresów

Wizualizacja klastrów z matplotlib

from matplotlib import pyplot as plt

df = pd.DataFrame({'x': [2, 3, 5, 6, 2],
                   'y': [1, 1, 5, 5, 2],
                   'labels': ['A', 'A', 'B', 'B', 'A']})

colors = {'A':'red', 'B':'blue'}

df.plot.scatter(x='x', 
                y='y',
                c=df['labels'].apply(lambda x: colors[x]))
plt.show()

Wizualizacja klastrów z seaborn

from matplotlib import pyplot as plt
import seaborn as sns

df = pd.DataFrame({'x': [2, 3, 5, 6, 2],
                   'y': [1, 1, 5, 5, 2],
                   'labels': ['A', 'A', 'B', 'B', 'A']})

sns.scatterplot(x='x', 
                y='y', 
                hue='labels', 
                data=df)
plt.show()

Porównanie obu metod wizualizacji

Wykres matplotlib

Wykres seaborn

Teraz: wypróbuj wizualizacje

Analiza skupień w Pythonie

Preparing Video For Download...