seaborn画图,怎么调整图例

  • 8
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
非常抱歉,我之前的回答中没有包含使用Seaborn库进行可视化的代码。下面是一个使用Seaborn库绘制训练集和测试集中特征 "KDA" 的分布差异的示例代码: ```python import seaborn as sns import matplotlib.pyplot as plt def plot_feature_distribution(train_data, test_data, feature_idx): train_feature = train_data[:, feature_idx] test_feature = test_data[:, feature_idx] # 创建两个子图,分别绘制训练集和测试集上的特征分布 fig, axes = plt.subplots(1, 2, figsize=(10, 5)) sns.histplot(train_feature, ax=axes[0], kde=True, color='blue', label='Train') sns.histplot(test_feature, ax=axes[1], kde=True, color='red', label='Test') axes[0].set_title('Train Feature Distribution') axes[1].set_title('Test Feature Distribution') axes[0].legend() axes[1].legend() plt.show() # 使用示例 train_data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) test_data = np.array([[10, 11, 12], [13, 14, 15]]) feature_idx = 2 plot_feature_distribution(train_data, test_data, feature_idx) ``` 在这个示例代码中,我们定义了一个函数 `plot_feature_distribution`,用于绘制训练集和测试集中特定特征的分布。函数的参数包括训练集数据、测试集数据和要比较的特征索引。函数内部使用Seaborn库的 `histplot` 函数分别在两个子图上绘制训练集和测试集上的特征分布,并添加标题和图例。 通过调用 `plot_feature_distribution` 函数,你可以得到一个包含两个子图的图形,分别显示训练集和测试集上特定特征的分布情况。 希望这个示例代码能够满足你的需求。如果还有任何问题,请随时提问。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值