Visualisasi data berdampak tinggi di bawah dua baris kode
Apa yang akan Anda pelajari?
-
Ajukan pertanyaan yang tepat tentang data menggunakan statistik ringkasan dan analisis Data Eksplorasi Visual untuk mendapatkan wawasan yang lebih cepat tentang data
-
Buat plot distribusi, kategoris, relasional, dan regresi untuk mempelajari lebih lanjut tentang variabel dalam kumpulan data
-
Tampilkan informasi maksimum menggunakan tidak hanya warna, ukuran dan bentuk, tetapi kekuatan kelipatan
-
Manfaatkan kekuatan kelipatan, dan terapkan kemampuan estetika secara fungsional untuk penceritaan data yang efektif
-
Kembangkan intuisi di balik beberapa pustaka visualisasi otomatis seperti Autoviz untuk mereplikasi alur kerja untuk kumpulan data Anda sendiri
Persyaratan
-
Dasar-dasar Python – pengenalan perpustakaan Pandas disertakan. Namun Seaborn mudah dipelajari karena antarmuka tingkat tinggi.
-
Keingintahuan dan minat dalam analisis data eksplorasi
Keterangan
Seaborn adalah perpustakaan yang sempurna untuk pemula dalam Ilmu Data
Alasan 1: Antarmuka plot tingkat tinggi
Seaborn adalah antarmuka plotting tingkat tinggi yang menyederhanakan kemampuan plotting untuk pemula hingga visualisasi data. Pustaka Python Seaborn sering dipelajari SETELAH pengguna mempelajari Matplotlib. Namun, mempelajari Seaborn terlebih dahulu dapat sangat mempercepat pengembangan intuisi dalam bekerja dengan berbagai jenis data karena sebagian besar konstruksi plot telah diintegrasikan ke dalam antarmuka plot tingkat tinggi Seaborn.
Seaborn juga memiliki default berpendirian yang menggunakan prinsip semantik seperti warna, ukuran dan gaya untuk mengkomunikasikan informasi – fungsional yang bertentangan dengan estetika murni. Seaborn melakukan ini dengan menyimpulkan tipe data dan kemudian membuat pilihan: seperti memilih palet warna yang tepat untuk menampilkan informasi numerik atau informasi kategorikal.
Alasan 2: Kerangka data yang lebar dan panjang
Seaborn dapat dengan mudah digunakan untuk kerangka data bentuk lebar dan panjang. Kursus ini berisi bagian tentang mengubah data dari data lebar ke bentuk panjang untuk lebih memanfaatkan fungsionalitas plot Seaborn menggunakan Pandas.
