Modifier le style et la couleur des graphiques

Introduction à la visualisation de données avec Seaborn

Content Team

DataCamp

Pourquoi personnaliser ?

Raisons de personnaliser :

  • Préférence personnelle
  • Améliorer la lisibilité
  • Guider l'interprétation
Introduction à la visualisation de données avec Seaborn

Modifier le style de la figure

  • Le « style » inclut l'arrière-plan et les axes
  • Options prédéfinies : « white », « dark », « whitegrid », « darkgrid », « ticks »
  • sns.set_style()
Introduction à la visualisation de données avec Seaborn

Style de figure par défaut (« white »)

sns.catplot(x="age", 
            y="masculinity_important",
            data=masculinity_data,
            hue="feel_masculine",
            kind="point")

plt.show()

Diagramme en points de l'enquête sur la masculinité

Introduction à la visualisation de données avec Seaborn

Style de figure : « whitegrid »

sns.set_style("whitegrid")

sns.catplot(x="age", 
            y="masculinity_important",
            data=masculinity_data,
            hue="feel_masculine",
            kind="point")

plt.show()

Diagramme en points avec grille blanche en arrière-plan

Introduction à la visualisation de données avec Seaborn

Autres styles

sns.set_style("ticks")

sns.catplot(x="age", 
            y="masculinity_important",
            data=masculinity_data,
            hue="feel_masculine",
            kind="point")

plt.show()

Diagramme en points avec repères

Introduction à la visualisation de données avec Seaborn

Autres styles

sns.set_style("dark")

sns.catplot(x="age", 
            y="masculinity_important",
            data=masculinity_data,
            hue="feel_masculine",
            kind="point")

plt.show()

Diagramme en points avec arrière-plan sombre

Introduction à la visualisation de données avec Seaborn

Autres styles

sns.set_style("darkgrid")

sns.catplot(x="age", 
            y="masculinity_important",
            data=masculinity_data,
            hue="feel_masculine",
            kind="point")

plt.show()

Diagramme en points avec grille sombre en arrière-plan

Introduction à la visualisation de données avec Seaborn

Modifier la palette

  • La « palette » change la couleur des éléments principaux du graphique
  • sns.set_palette()
  • Utiliser des palettes prédéfinies ou créer une palette personnalisée
Introduction à la visualisation de données avec Seaborn

Palettes divergentes

Quatre exemples de palettes divergentes

Introduction à la visualisation de données avec Seaborn

Exemple (palette par défaut)

category_order = ["No answer", 
                  "Not at all",
                  "Not very", 
                  "Somewhat", 
                  "Very"]

sns.catplot(x="how_masculine",
            data=masculinity_data,
            kind="count",
            order=category_order)

plt.show()

Diagramme de fréquence des réponses au sondage

Introduction à la visualisation de données avec Seaborn

Exemple (palette divergente)

sns.set_palette("RdBu")

category_order = ["No answer", 
                  "Not at all",
                  "Not very", 
                  "Somewhat", 
                  "Very"]

sns.catplot(x="how_masculine",
            data=masculinity_data,
            kind="count",
            order=category_order)

plt.show()

Diagramme de fréquence avec palette divergente

Introduction à la visualisation de données avec Seaborn

Palettes séquentielles

Quatre exemples de palettes séquentielles

Introduction à la visualisation de données avec Seaborn

Exemple de palette séquentielle

Nuage de points puissance vs mpg avec palette séquentielle

1 Waskom, M. L. (2021). seaborn: statistical data visualization. https://seaborn.pydata.org/
Introduction à la visualisation de données avec Seaborn

Palettes personnalisées

custom_palette = ["red", "green", "orange", "blue",
                  "yellow", "purple"]

sns.set_palette(custom_palette)

Palette personnalisée par noms de couleurs

Introduction à la visualisation de données avec Seaborn

Palettes personnalisées

custom_palette = ['#FBB4AE', '#B3CDE3', '#CCEBC5', 
                  '#DECBE4', '#FED9A6', '#FFFFCC', 
                  '#E5D8BD', '#FDDAEC', '#F2F2F2']

sns.set_palette(custom_palette)

Palette personnalisée par codes hexadécimaux

Introduction à la visualisation de données avec Seaborn

Modifier l'échelle

  • Le « contexte » ajuste l'échelle des éléments et des étiquettes du graphique
  • sns.set_context()
  • Du plus petit au plus grand : « paper », « notebook », « talk », « poster »
Introduction à la visualisation de données avec Seaborn

Contexte par défaut : « paper »

sns.catplot(x="age", 
            y="masculinity_important",
            data=masculinity_data,
            hue="feel_masculine",
            kind="point")

plt.show()

Diagramme en points avec contexte notebook

Introduction à la visualisation de données avec Seaborn

Contexte plus grand : « talk »

sns.set_context("talk")

sns.catplot(x="age", 
            y="masculinity_important",
            data=masculinity_data,
            hue="feel_masculine",
            kind="point")

plt.show()

Diagramme en points avec contexte plus grand

Introduction à la visualisation de données avec Seaborn

Passons à la pratique !

Introduction à la visualisation de données avec Seaborn

Preparing Video For Download...