పైథాన్ అనేక శక్తివంతమైన గ్రంథాలయాలు మరియు చట్రాల స్టోర్హౌస్. వాటిలో, ఉంది సీబోర్న్, ఇది ఆధిపత్యం డేటా విజువలైజేషన్ లైబ్రరీ, ప్రోగ్రామర్లు పూర్తి కావడానికి మరో కారణం . ఈ పైథాన్ సీబోర్న్ ట్యుటోరియల్‌లో, మీరు సీబోర్న్ ఉపయోగించి డేటా విజువలైజేషన్ యొక్క అన్ని నేక్‌లను వాలుతారు.
కొనసాగడానికి ముందు, ఈ వ్యాసంలోని అన్ని చర్చా విషయాలను చూద్దాం:
- సీబోర్న్ ఎందుకు ఉపయోగించాలి?
- సీబోర్న్‌ను ఎలా ఇన్‌స్టాల్ చేయాలి?
- పైథాన్ సీబోర్న్ డిపెండెన్సీలను వ్యవస్థాపించడం
- సీబోర్న్ ప్లాటింగ్ విధులు
- బహుళ-ప్లాట్ గ్రిడ్లు
- ప్లాట్-సౌందర్యం
కాబట్టి పైథాన్ సీబోర్న్ యొక్క ప్రాముఖ్యతను వివరించడం ద్వారా మొదట ప్రారంభిద్దాం.
పైథాన్ సీబోర్న్ ఎందుకు ఉపయోగించాలి?
ముందే చెప్పినట్లుగా, పైథాన్ సీబోర్న్ లైబ్రరీ డేటా విజువలైజేషన్ యొక్క సవాలు పనిని సులభతరం చేయడానికి ఉపయోగించబడుతుంది మరియు ఇది దానిపై ఆధారపడి ఉంటుంది . సీబోర్న్ ఈ క్రింది కార్యాచరణల ద్వారా గణాంక గ్రాఫిక్స్ సృష్టించడానికి అనుమతిస్తుంది:
బహుళ మధ్య పోలికను అనుమతించే డేటాసెట్లపై ఆధారపడిన API వేరియబుల్స్
సంక్లిష్ట విజువలైజేషన్లను నిర్మించడాన్ని సులభతరం చేసే బహుళ-ప్లాట్ గ్రిడ్లకు మద్దతు ఇస్తుంది
డేటా యొక్క ఉపసమితుల మధ్య పోల్చడానికి ఏకైక మరియు బివైరియేట్ విజువలైజేషన్లు అందుబాటులో ఉన్నాయి
వివిధ రకాల నమూనాలను బహిర్గతం చేయడానికి వివిధ రంగుల లభ్యత
అంచనాలు మరియు ప్లాట్లు స్వయంచాలకంగా
కాబట్టి, మీరు ఇప్పటికే మాట్‌ప్లోట్‌లిబ్‌ను కలిగి ఉన్నప్పుడు సీబోర్న్‌ను ఎందుకు ఉపయోగించాలో మీరు ఆలోచిస్తున్నట్లయితే, దీనికి సమాధానం ఇక్కడ ఉంది.
పైథాన్ సీబోర్న్ vs మాట్ప్లోట్లిబ్:
“మాట్ప్లోట్లిబ్“ సులభమైన విషయాలను సులభతరం చేయడానికి మరియు కష్టతరమైన విషయాలను సాధ్యం చేయడానికి ప్రయత్నిస్తే ”, సముద్రతీరం బాగా నిర్వచించబడిన కఠినమైన విషయాలను కూడా సులభతరం చేయడానికి ప్రయత్నిస్తుంది” - మైఖేల్ వాస్కోమ్ (సీబోర్న్ సృష్టికర్త).
నిజానికి, మాట్ప్లోట్లిబ్ మంచిది కాని సీబోర్న్ మంచిది. సీబోర్న్ పరిష్కరించే మాట్ప్లోట్లిబ్ యొక్క ప్రాథమికంగా రెండు లోపాలు ఉన్నాయి:
మ్యాట్‌ప్లోట్‌లిబ్‌ను వ్యక్తిగతీకరించవచ్చు కాని ప్లాట్లను మరింత ఆకర్షణీయంగా చేయడానికి ఏ సెట్టింగులు అవసరమో గుర్తించడం కష్టం. మరోవైపు, ఈ సమస్యను పరిష్కరించడానికి సీబోర్న్ అనేక అనుకూలీకరించిన థీమ్‌లు మరియు ఉన్నత-స్థాయి ఇంటర్‌ఫేస్‌లతో వస్తుంది.
పనిచేసేటప్పుడు పాండాలు , డేటాఫ్రేమ్‌లతో వ్యవహరించేటప్పుడు మాట్ప్లోట్లిబ్ బాగా పనిచేయదు, అయితే సీబోర్న్ విధులు వాస్తవానికి డేటాఫ్రేమ్‌లపై పనిచేస్తాయి.
సీబోర్న్‌ను ఎలా ఇన్‌స్టాల్ చేయాలి?
పైథాన్ సీబోర్న్ లైబ్రరీని వ్యవస్థాపించడానికి, మీరు ఉపయోగించే ప్లాట్‌ఫాం ఆధారంగా మీరు ఈ క్రింది ఆదేశాలను ఉపయోగించవచ్చు:
పైప్ ఇన్‌స్టాల్ సీబోర్న్
లేదా
కాండా ఇన్‌స్టాల్ సీబోర్న్
ఇది వ్యవస్థాపించబడిన తర్వాత, సముద్రతీరం ఆధారపడిన ప్యాకేజీలు మరియు గ్రంథాలయాలను వ్యవస్థాపించాలని నిర్ధారించుకోండి.
పైథాన్ సీబోర్న్ డిపెండెన్సీలను వ్యవస్థాపించడం:
సముద్రతీరానికి తప్పనిసరి ఆధారపడటం:
సెలీనియంలో క్రాస్ బ్రౌజర్ పరీక్ష
సిఫార్సు చేయబడిన ఒక డిపెండెన్సీ కూడా ఉంది:
- రాష్ట్ర నమూనాలు
ఈ లైబ్రరీలను వ్యవస్థాపించడానికి, మీరు సీబోర్న్ కోసం గతంలో చూపిన ఆదేశాలను వాటి పేర్లతో ఉపయోగించవచ్చు. వ్యవస్థాపించిన తర్వాత, వాటిని సులభంగా దిగుమతి చేసుకోవచ్చు. ఏదైనా డేటాసెట్ నుండి లోడ్ చేయడానికి సీబోర్న్ మిమ్మల్ని అనుమతిస్తుంది ఉపయోగించి లోడ్_డేటాసెట్ () ఫంక్షన్. Get_dataset_names () ఫంక్షన్‌ను ఉపయోగించి మీరు అందుబాటులో ఉన్న అన్ని డేటాసెట్‌లను ఈ క్రింది విధంగా చూడవచ్చు:
ఉదాహరణ:
సముద్రతీరాన్ని sns sns.get_dataset_names () గా దిగుమతి చేయండి
ఇది అందుబాటులో ఉన్న అన్ని డేటాసెట్ల జాబితాను అందిస్తుంది.
ఇప్పుడు మీరు సముద్రతీరంతో పనిచేయడానికి మీ వాతావరణాన్ని ఏర్పాటు చేసుకున్నారు, ఇది ప్లాటింగ్ ఫంక్షన్లను ఎలా ఉపయోగించాలో చూడటానికి మరింత ముందుకు వెళ్దాం .
సీబోర్న్ ప్లాటింగ్ విధులు
గణాంక సంబంధాలను విజువలైజ్ చేయడం:
డేటాసెట్ యొక్క వేరియబుల్స్ మధ్య సంబంధాలను అర్థం చేసుకునే ప్రక్రియ మరియు ఈ సంబంధాలు ఇతర వేరియబుల్స్‌పై ఎలా ఆధారపడతాయో గణాంక విశ్లేషణ అంటారు. ఇప్పుడు దీనికి అవసరమైన విధులను లోతుగా పరిశీలిద్దాం:
relplot ():
ఇది గణాంక సంబంధాలను విజువలైజ్ చేయడానికి రెండు ఇతర అక్షాల ఫంక్షన్లను ఉపయోగించే ఫిగర్-లెవల్-ఫంక్షన్:
- స్కాటర్‌ప్లాట్ ()
- లైన్‌ప్లాట్ ()
ఈ విధులను relplot () యొక్క ‘రకమైన’ పారామితిని ఉపయోగించి పేర్కొనవచ్చు. ఒకవేళ ఈ పరామితి ఇవ్వబడితే, అది స్కాటర్‌ప్లాట్ () అయిన డిఫాల్ట్‌ను తీసుకుంటుంది. మీరు మీ కోడ్ రాయడం ప్రారంభించడానికి ముందు, అవసరమైన లైబ్రరీలను ఈ క్రింది విధంగా దిగుమతి చేసుకోండి.
పిఎమ్‌పి దిగుమతి మాండ్‌ప్లోట్లిబ్.పైప్లాట్‌గా పిఎమ్‌పి దిగుమతి సీబోర్న్‌గా ఎమ్‌పి దిగుమతి పాండాలను దిగుమతి చేసుకోండి sns sns.set (style = 'darkgrid')దయచేసి శైలి లక్షణం కూడా అనుకూలీకరించదగినది మరియు డార్క్ గ్రిడ్, పేలు మొదలైన వాటి యొక్క ఏదైనా విలువను తీసుకోవచ్చని దయచేసి నేను ప్లాట్-సౌందర్య విభాగంలో చర్చిస్తాను. ఇప్పుడు ఒక చిన్న ఉదాహరణను చూద్దాం:
ఉదాహరణ:
f = sns.load_dataset ('విమానాలు') sns.relplot (x = 'ప్రయాణీకులు', y = 'నెల', డేటా = f)అవుట్పుట్:
మీరు గమనిస్తే, పాయింట్లు 2-కొలతలుగా రూపొందించబడ్డాయి. అయితే, మీరు ‘రంగు’ అర్థాన్ని ఉపయోగించి మరొక కోణాన్ని జోడించవచ్చు. దీనికి ఉదాహరణను పరిశీలిద్దాం:
ఉదాహరణ:
f = sns.load_dataset ('విమానాలు') sns.relplot (x = 'ప్రయాణీకులు', y = 'నెల', రంగు = 'సంవత్సరం', డేటా = f)మీరు ఈ క్రింది అవుట్పుట్ చూస్తారు:
అవుట్పుట్:
అయినప్పటికీ, మీరు రంగులు, శైలులు, పరిమాణం మొదలైనవి ప్రయత్నించడానికి ఇంకా చాలా అనుకూలీకరణలు ఉన్నాయి. ఈ క్రింది ఉదాహరణలో మీరు రంగును ఎలా మార్చవచ్చో చూపిస్తాను:
ఉదాహరణ:
sns.set (style = 'darkgrid') f = sns.load_dataset ('విమానాలు') sns.relplot (x = 'ప్రయాణీకులు', y = 'నెల', రంగు = 'సంవత్సరం', పాలెట్ = 'ch: r = - .5, ఎల్ = .75 ', డేటా = ఎఫ్)అవుట్పుట్:
లైన్‌ప్లాట్ ():
ఈ ఫంక్షన్ మీ డేటా కోసం నిరంతర గీతను గీయడానికి మిమ్మల్ని అనుమతిస్తుంది. ఈ రకమైన ‘రకమైన’ పరామితిని మార్చడం ద్వారా మీరు ఈ ఫంక్షన్‌ను ఉపయోగించవచ్చు:
ఉదాహరణ:
a = pd.DataFrame (Day 'Day': [1,2,3,4,5,6,7], 'కిరాణా': [30,80,45,23,51,46,76], 'బట్టలు' : [13,40,34,23,54,67,98], 'పాత్రలు': [12,32,27,56,87,54,34]}, సూచిక = [1,2,3,4,5 , 6,7]) g = sns.relplot (x = 'Day', y = 'బట్టలు', kind = 'line', data = a) g.fig.autofmt_xdate ()
అవుట్పుట్:
లైన్‌ప్లాట్ యొక్క డిఫాల్ట్ x యొక్క ఫంక్షన్ వలె y. అయితే, మీరు అలా చేయాలనుకుంటే దాన్ని మార్చవచ్చు. ఇంకా చాలా ఎంపికలు ఉన్నాయి, వీటిని మీరు మరింత ప్రయత్నించవచ్చు.
వర్గీకరణ డేటాను ఎలా ప్లాట్ చేయాలో ఇప్పుడు చూద్దాం.
వర్గీకరణ డేటాతో ప్లాటింగ్:
మా ప్రధాన వేరియబుల్ వివిక్త సమూహాలుగా (వర్గీకరణ) విభజించబడినప్పుడు ఈ విధానం చిత్రంలోకి వస్తుంది. క్యాట్‌ప్లాట్ () ఫంక్షన్‌ను ఉపయోగించి దీనిని సాధించవచ్చు.
catplot ():
ఇది relplot () వంటి ఫిగర్-లెవల్-ఫంక్షన్. ఇది మూడు కుటుంబాల గొడ్డలి స్థాయి ఫంక్షన్ల ద్వారా వర్గీకరించబడుతుంది:
స్కాటర్‌ప్లాట్‌లు - వీటిలో స్ట్రిప్‌లాట్ (), స్వార్మ్‌ప్లాట్ () ఉన్నాయి
css మరియు css3 మధ్య వ్యత్యాసం
పంపిణీ ప్లాట్లు - అవి బాక్స్‌ప్లాట్ (), వయోలిన్ప్లాట్ (), బాక్స్‌న్‌ప్లాట్ ()
ఎస్టిమేట్‌ప్లాట్లు - అవి పాయింట్‌ప్లాట్ (), బార్‌ప్లాట్ (), కౌంట్‌ప్లాట్ ()
దీన్ని ప్రదర్శించడానికి ఇప్పుడు కొన్ని ఉదాహరణలు తీసుకుందాం:
ఉదాహరణ:
సముద్రతీరాన్ని sns గా దిగుమతి చేయండి matplotlib.pyplot ను plt sns.set (style = 'ticks', color_codes = true) a = sns.load_dataset ('చిట్కాలు') sns.catplot (x = 'day', y = 'total_bill', డేటా = ఎ)అవుట్పుట్:
మీరు గమనిస్తే, పై ఉదాహరణలో నేను ‘రకమైన’ పరామితిని సెట్ చేయలేదు. అందువల్ల ఇది గ్రాఫ్‌ను డిఫాల్ట్ స్కాటర్‌ప్లాట్‌గా తిరిగి ఇచ్చింది. గ్రాఫ్‌ను అవసరమైన విధంగా మార్చడానికి మీరు ఏదైనా అక్షం స్థాయి ఫంక్షన్‌ను పేర్కొనవచ్చు. దీనికి ఒక ఉదాహరణ కూడా తీసుకుందాం:
ఉదాహరణ:
సముద్రతీరాన్ని sns గా దిగుమతి చేయండి matplotlib.pyplot ను plt sns.set (style = 'ticks', color_codes = true) a = sns.load_dataset ('చిట్కాలు') sns.catplot (x = 'day', y = 'total_bill', kind = 'వయోలిన్', డేటా = a) అవుట్పుట్:
పై అవుట్పుట్ చిట్కాల డేటాసెట్ కోసం వయోలిన్ప్లాట్ చూపిస్తుంది. ఇప్పుడు డేటాసెట్ పంపిణీని ఎలా దృశ్యమానం చేయాలో కనుగొనడానికి ప్రయత్నిద్దాం.
డేటాసెట్ పంపిణీని విజువలైజ్ చేయడం:
ఇది ప్రాథమికంగా డేటాసెట్‌లను సందర్భోచితంగా అర్థం చేసుకోకుండా లేదా బివైరియేట్ గా వ్యవహరిస్తుంది. దీనితో ప్రారంభించడానికి ముందు, కింది వాటిని దిగుమతి చేయండి:
దిగుమతి సంఖ్యను np దిగుమతి పాండాలుగా పిడి దిగుమతి సీబోర్న్ వలె sns దిగుమతి matplotlib.pyplot scipy దిగుమతి గణాంకాల నుండి plt గా sns.set (color_codes = True)ఇది పూర్తయిన తర్వాత, మీరు ఏకరీతి మరియు ద్విపద పంపిణీలను ప్లాట్ చేయడం కొనసాగించవచ్చు.
అసమాన పంపిణీలను ప్లాట్ చేయడం:
వాటిని ప్లాట్ చేయడానికి, మీరు డిస్‌ప్లాట్ () ఫంక్షన్‌ను ఈ క్రింది విధంగా ఉపయోగించుకోవచ్చు:
ఉదాహరణ:
a = np.random.normal (loc = 5, size = 100, scale = 2) sns.distplot (a)
అవుట్పుట్:
పై ఉదాహరణలో మీరు చూడగలిగినట్లుగా, వేరియబుల్ కోసం మేము ఒక గ్రాఫ్‌ను ప్లాట్ చేసాము, దీని విలువలు డిస్ట్‌ప్లాట్‌ను ఉపయోగించి సాధారణ () ఫంక్షన్ ద్వారా ఉత్పత్తి చేయబడతాయి.
బివారియేట్ పంపిణీలను ప్లాట్ చేయడం:
మీరు రెండు యాదృచ్ఛిక స్వతంత్ర చరరాశులను కలిగి ఉన్నప్పుడు ఇది చిత్రంలోకి వస్తుంది. ఈ రకమైన గ్రాఫ్లను ప్లాట్ చేయడానికి ఉత్తమమైన పని జాయింట్‌ప్లాట్ (). ఇప్పుడు జాయింట్‌ప్లాట్ () ను ఉపయోగించి బివైరియేట్ గ్రాఫ్‌ను ప్లాట్ చేద్దాం.
ఉదాహరణ:
x = pd.DataFrame (Day 'Day': [1,2,3,4,5,6,7], 'కిరాణా': [30,80,45,23,51,46,76], 'బట్టలు' : [13,40,34,23,54,67,98], 'పాత్రలు': [12,32,27,56,87,54,34]}, సూచిక = [1,2,3,4,5 , 6,7]) y = pd.DataFrame (Day 'Day': [8,9,10,11,12,13,14], 'కిరాణా': [30,80,45,23,51,46, 76], 'బట్టలు': [13,40,34,23,54,67,98], 'పాత్రలు': [12,32,27,56,87,54,34] index, సూచిక = [8,9 , 10,11,12,13,14]) అంటే, కోవ్ = [0, 1], [(1, .5), (.5, 1)] డేటా = np.random.multivariate_normal (సగటు, కోవ్, 200 ) sns.axes_style ('తెలుపు') తో: sns.jointplot (x = x, y = y, kind = 'kde', color = 'b') అవుట్పుట్:
ఇప్పుడు మీరు పైథాన్ సీబోర్న్ లోని వివిధ విధులను అర్థం చేసుకున్నారు, నిర్మాణాత్మక బహుళ-ప్లాట్ గ్రిడ్లను నిర్మించడానికి ముందుకు వెళ్దాం.
మల్టీ-ప్లాట్ గ్రిడ్లు:
పైథాన్ సీబోర్న్ పక్కపక్కనే బహుళ గ్రిడ్లను ప్లాట్ చేయడానికి మిమ్మల్ని అనుమతిస్తుంది. ఇవి ప్రాథమికంగా ప్లాట్లు లేదా గ్రాఫ్‌లు, వాటి మధ్య పోలికకు సహాయపడటానికి ఒకే స్కేల్ మరియు గొడ్డలిని ఉపయోగించి ప్లాట్ చేయబడతాయి. ఇది ప్రోగ్రామర్‌కు ప్లాట్ల మధ్య త్వరగా తేడాను గుర్తించడానికి మరియు పెద్ద మొత్తంలో సమాచారాన్ని పొందటానికి సహాయపడుతుంది.
ఈ గ్రాఫ్లను ప్లాట్ చేయడానికి ఫేసెట్‌గ్రిడ్ () ఫంక్షన్ యొక్క క్రింది ఉదాహరణను పరిగణించండి.
ఉదాహరణ:
sns.set (style = 'darkgrid') a = sns.load_dataset ('iris') b = sns.FacetGrid (a, col = 'species') b.map (plt.hist, 'sepal_length')
అవుట్పుట్:
పై అవుట్పుట్ లంచ్ మరియు డిన్నర్ సమయంలో ఇచ్చిన చిట్కాల మధ్య పోలికను స్పష్టంగా చూపిస్తుంది. మీరు పోల్చడానికి ఒక జత వేరియబుల్స్ ఉన్నప్పుడు పెయిర్‌గ్రిడ్ ఫంక్షన్‌ను ఉపయోగించి ప్లాట్ చేయవచ్చు. కింది ఉదాహరణను పరిశీలించండి.
c ++ క్రమ శ్రేణి
ఉదాహరణ:
sns.set (శైలి = 'పేలు') a = sns.load_dataset ('విమానాలు') b = sns.PairGrid (a) b.map (plt.scatter) అవుట్పుట్:
మీరు గమనిస్తే, పై అవుట్పుట్ స్పష్టంగా సంవత్సరానికి మరియు వివిధ మార్గాల్లో ప్రయాణీకుల సంఖ్యకు మధ్య పోలుస్తుంది.
సీబోర్న్ సౌందర్యానికి సంబంధించిన అనుకూలీకరణలను కూడా అనుమతిస్తుంది, ఇది మరింత చర్చించబడుతుంది.
ప్లాట్-సౌందర్యం:
పైథాన్ సీబోర్న్ ట్యుటోరియల్ యొక్క ఈ విభాగం మా ప్లాట్లను మరింత ఆకర్షణీయంగా మరియు ఆనందంగా చేస్తుంది.
పైథాన్ సీబోర్న్ ఫిగర్-సౌందర్యం:
నేను చర్చిస్తున్న మొదటి ఫంక్షన్ సెట్ (). నేను ఇంతకు ముందు ఈ ఫంక్షన్ యొక్క ‘స్టైల్’ పరామితిని ఉపయోగిస్తున్నాను. ఈ పరామితి ప్రాథమికంగా సముద్ర తీర ఇతివృత్తాలతో వ్యవహరిస్తుంది. ప్రస్తుతం, వాటిలో ఐదు డార్క్గ్రిడ్, పేలు, వైట్ గ్రిడ్, తెలుపు మరియు ముదురు అందుబాటులో ఉన్నాయి.
తెలుపు థీమ్‌ను ప్రదర్శించే క్రింది ఉదాహరణను పరిశీలించండి.
ఉదాహరణ:
సముద్రతీరాన్ని sns గా దిగుమతి చేయండి matplotlib.pyplot ను plt sns.set (style = 'white', color_codes = true) a = sns.load_dataset ('చిట్కాలు') sns.boxplot (x = 'day', y = 'total_bill', డేటా = ఎ)అవుట్పుట్:
పై అవుట్‌పుట్‌లో, థీమ్ తెల్లగా మార్చబడిందని మీరు గమనించవచ్చు. మీరు ఇతర ఇతివృత్తాలను ఉపయోగించి వాటిని మరింత అన్వేషించవచ్చు. మునుపటి అవుట్‌పుట్‌లో మీరు గమనించినట్లయితే, గ్రాఫ్ చుట్టూ అక్షాలు ఉన్నాయి. అయినప్పటికీ, డెస్పైన్ () ఫంక్షన్‌ను ఉపయోగించి ఇది కూడా అనుకూలీకరించదగినది. క్రింద ఉన్న ఉదాహరణ చూడండి.
ఉదాహరణ:
సముద్రతీరాన్ని sns గా దిగుమతి చేయండి matplotlib.pyplot ను plt sns.set (style = 'white', color_codes = true) a = sns.load_dataset ('చిట్కాలు') sns.boxplot (x = 'day', y = 'total_bill', డేటా = ఎ) sns.despine (ఆఫ్‌సెట్ = 10, ట్రిమ్ = ట్రూ) అవుట్పుట్:
మునుపటి రెండు అవుట్‌పుట్‌ల మధ్య వ్యత్యాసాన్ని గమనించండి. అయితే, మీరు మీ కోసం అన్వేషించగలిగే ఇంకా చాలా ఎంపికలు ఉన్నాయి.
పైథాన్ సీబోర్న్ కలర్-పాలెట్స్:
రంగు అనేది ప్రాథమికంగా మరే ఇతర లక్షణాలకు మించి మానవ కళ్ళకు చేరుకునే లక్షణం. కలర్_పాలెట్ (), hls_palette (), హస్ల్_పాలెట్ (), వంటి వివిధ ఫంక్షన్లను ఉపయోగించి రంగులతో ఆడటానికి సీబోర్న్ మిమ్మల్ని అనుమతిస్తుంది. ప్రస్తుతం సముద్రతీరంలో ఉన్న రంగులను చూడండి.
ఉదాహరణ:
nns దిగుమతి సీబోర్న్ వలె sns దిగుమతి matplotlib.pyplot గా plt sns.set () presentcolors = sns.color_palette () sns.palplot (presentcolors)అవుట్పుట్:
పై చిత్రం సముద్రతీరంలో ఉన్న రంగులను చూపుతుంది. నేను పాల్‌ప్లాట్ () ఫంక్షన్‌ను ఉపయోగించి చేశాను. లోతైన వైవిధ్యాల కోసం, మీరు hls_palette (), husl_palette () మొదలైనవాటిని ఉపయోగించవచ్చు.
ఇది పైథాన్ సీబోర్న్ ట్యుటోరియల్ చివరికి మనలను తీసుకువస్తుంది. మీరు ప్రతిదీ స్పష్టంగా అర్థం చేసుకున్నారని నేను నమ్ముతున్నాను. మీరు వీలైనంత వరకు ప్రాక్టీస్ చేస్తున్నారని నిర్ధారించుకోండి .
మాకు ప్రశ్న ఉందా? దయచేసి ఈ “పైథాన్ సీబోర్న్ ట్యుటోరియల్” బ్లాగ్ యొక్క వ్యాఖ్యల విభాగంలో పేర్కొనండి మరియు మేము వీలైనంత త్వరగా మిమ్మల్ని సంప్రదిస్తాము.
పైథాన్‌తో పాటు దాని వివిధ అనువర్తనాలతో లోతైన జ్ఞానం పొందడానికి, మీరు ప్రత్యక్ష ప్రసారం కోసం నమోదు చేసుకోవచ్చు 24/7 మద్దతు మరియు జీవితకాల ప్రాప్యతతో.