Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Comment créer un nuage de points Seaborn avec un coefficient de corrélation



Vous pouvez utiliser la syntaxe de base suivante pour créer un nuage de points dans Seaborn et ajouter un coefficient de corrélation au tracé :

import scipy
import matplotlib.pyplot as plt
import seaborn as sns

#calculate correlation coefficient between x and y
r = scipy.stats.pearsonr(x=df.x, y=df.y)[0]

#create scatterplot
sns.scatterplot(data=df, x=df.x, y=df.y)

#add correlation coefficient to plot
plt.text(5, 30, 'r = ' + str(round(r, 2)))

L’exemple suivant montre comment utiliser cette syntaxe dans la pratique.

Exemple : Créer un nuage de points Seaborn avec un coefficient de corrélation

Supposons que nous ayons le DataFrame pandas suivant qui montre les points et les passes décisives de divers joueurs de basket-ball :

import pandas as pd

#create DataFrame
df = pd.DataFrame({'team': ['A', 'A', 'A', 'A', 'B', 'C', 'C', 'C', 'D', 'D'],
                   'points': [12, 11, 18, 15, 14, 20, 25, 24, 32, 30],
                   'assists': [4, 7, 7, 8, 9, 10, 10, 12, 10, 15]})

#view DataFrame
print(df)

  team  points  assists
0    A      12        4
1    A      11        7
2    A      18        7
3    A      15        8
4    B      14        9
5    C      20       10
6    C      25       10
7    C      24       12
8    D      32       10
9    D      30       15

Nous pouvons utiliser la syntaxe suivante pour créer un nuage de points afin de visualiser la relation entre les passes et les points et également utiliser la fonction pearsonr() de scipy pour calculer le coefficient de corrélation entre ces deux variables :

import scipy
import matplotlib.pyplot as plt
import seaborn as sns

#calculate correlation coefficient between assists and points
r = scipy.stats.pearsonr(x=df.assists, y=df.points)[0]

#create scatterplot
sns.scatterplot(data=df, x=df.assists, y=df.points)

#add correlation coefficient to plot
plt.text(5, 30, 'r = ' + str(round(r, 2)))

nuage de points marin avec coefficient de corrélation

À partir du résultat, nous pouvons voir que le coefficient de corrélation de Pearson entre les passes décisives et les points est de 0,78 .

Connexes :Qu’est-ce qui est considéré comme une corrélation « forte » ?

Notez que nous avons utilisé la fonction round() pour arrondir le coefficient de corrélation à deux décimales.

N’hésitez pas à arrondir à un nombre différent de décimales et n’hésitez pas également à utiliser l’argument fontsize pour modifier la taille de la police du coefficient de corrélation sur le tracé :

import scipy
import matplotlib.pyplot as plt
import seaborn as sns

#calculate correlation coefficient between assists and points
r = scipy.stats.pearsonr(x=df.assists, y=df.points)[0]

#create scatterplot
sns.scatterplot(data=df, x=df.assists, y=df.points)

#add correlation coefficient to plot
plt.text(5, 30, 'r = ' + str(round(r, 4)), fontsize=20))

Notez que le coefficient de corrélation est désormais arrondi à quatre décimales et que la taille de la police est beaucoup plus grande que dans l’exemple précédent.

Remarque : Vous pouvez trouver la documentation complète de la fonction seaborn scatterplot() ici .

Ressources additionnelles

Les didacticiels suivants expliquent comment exécuter d’autres fonctions courantes dans seaborn :

Comment tracer une distribution dans Seaborn
Comment commander des boxplots sur l’axe des x dans Seaborn
Comment ajouter une table au tracé Seaborn

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *