seaborn画图啊
时间: 2023-08-18 15:11:27 浏览: 159
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。
阅读全文