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)))

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