7 דרכים ליצירת תרשימים אטרקטיביים ומשוכללים באמצעות seaborn ופייתון

הספרייה העיקרית בה משתמשים בפייתון לצורך הצגת נתונים היא Matplotlib שיכולה לעשות כמעט הכל אבל היא גם קשה ללמידה ולכתיבה.  ספריית Seaborn מבוססת על Matplotlib, ומאפשרת ליצור תרשימים אטרקטיביים ומשוכללים בממשק ידידותי הרבה יותר. למרות הפשטות של Seaborn מומלץ קודם להכיר את עקרונות העבודה עם Matplotlib כי יש דברים שניתן לעשות רק באמצעות Matplotlib. במדריך זה תקבלו הצצה לכמה ממקרי השימוש הנפוצים כשעובדים עם Seaborn.

ייבוא הספריות

Seaborn דורש את הספריות הבאות לפעולתו:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

• Numpy - היא ספרייה לעבודה עם מערכים רב-מימדיים המכילה פונקציות מתמטיות מועילות במיוחד.
• Pandas - מאפשרת לעבוד עם מידע טבלאי בדומה לאקסל.
• Matplotlib היא הספרייה האם של seaborn המשמשת להצגת גרפים ותרשימים.

מסדי הנתונים

Seaborn מאפשרת גישה למסדי נתונים רבים. הפקודה הבאה תציג אותם:

sns.get_dataset_names()

['anagrams',
 'anscombe',
 'attention',
 'brain_networks',
 'car_crashes',
 'diamonds',
 'dots',
 'exercise',
 'flights',
 'fmri',
 'gammas',
 'geyser',
 'iris',
 'mpg',
 'penguins',
 'planets',
 'tips',
 'titanic']

במדריך נעבוד עם כמה מסדי נתונים. נטען את הראשון:

tdf = sns.load_dataset('tips')

מה במסד הנתונים?

print(tdf.shape)
tdf.head()

(244, 7)

224 שורות ו-7 עמודות.

מסד הנתונים מכיל נתונים אודות מספר הסועדים, סכום החשבון, היום בשבוע, והטיפ (תשר) ששילמו בסוף הארוחה. מעניין אילו נתונים משפיעים במיוחד על גובה התשלום ועל התשר?

1. תרשימי פיזור

כדי לראות כיצד החשבון הכולל משפיע על גודל הטיפ נשתמש בפונקציה- relplot (relational plot). הדורשת 3 פרמטרים:

sns.relplot(x='total_bill', y='tip', data=tdf)

• x - הוא הפרמטר העצמאי.
• y - הוא הפרמטר התלוי.
• data - הוא מסד הנתונים.

התוצאה:

• ניתן להסיק מהגרף שהטיפ גדל עם החשבון וגם שקיימת שונות רבה בנתונים.

מעניין לראות כיצד משפיעות הקטגוריות השונות על גובה הטיפ. לדוגמה, כיצד הטיפ מושפע ממינו של האדם. נשתמש בפרמטר 'hue' כדי לצבוע את האפשרויות השונות בקטגוריה sex בגוון שונה:

sns.relplot(x='total_bill', y='tip', data=tdf, hue='sex')

• זכרים קיבלו את הצבע הכחול ונקבות את הירוק.

אנו יכולים להדגיש עוד יותר את ההבדל בין האפשרויות בכל קטגוריה באמצעות הפרמטר 'style':

sns.relplot(x='total_bill', y='tip', data=tdf, hue='sex', style='sex')

• לנקבות הוקצה הסמן x והזכרים קיבלו נקודה.
• מגוון הסמנים יכול לעזור להדגיש עוד יותר את ההבדלים בין האפשרויות השונות בכל עמודה.

ניתן להשתמש בפרמטרים 'hue' ו-'style' בשביל האפשרויות בתוך עמודה קטגורית וגם כדי לראות יותר ממשתנה קטגורי אחד בתוך אותו תרשים.

לדוגמה, נשתמש בפרמטר 'hue' בשביל המשתנה sex וב-'style' בשביל smoker:

sns.relplot(x='total_bill', y='tip', data=tdf, hue='sex', style='smoker')

הפרמטר 'size' יכול להיות שימושי במיוחד עבור עמודות המבטאות גדלים (דוגמת גודל אוכלוסייה או מספר סועדים). נסגנן את העמודה size (מספר הסועדים) ממסד הנתונים באמצעות הפרמטר 'size' של הפונקציה:

sns.relplot(x='total_bill', y='tip', data=tdf, hue='sex', size='size')

הגדלים נראים דומים מדי. נגדיל את טווח השונות ביניהם על ידי שימוש בפרמטר 'sizes':

sns.relplot(x='total_bill', y='tip', data=tdf, hue='sex', size='size', sizes=(5, 150))

• הגדלים נראים מגוונים יותר הודות לשימוש בפרמטר 'sizes'.
•  עכשיו ברור יותר שהחשבון והטיפ בסוף הארוחה גדלים ככל שמספר הסועדים גדל.

2. תרשים קווי line plot

נייבא את מסד הנתונים penguins של seaborn ע"מ להשתמש בו בחלק זה של המדריך.

pdf = sns.load_dataset('penguins')

מה במסד הנתונים?

print(pdf.shape)
pdf.head()

(344, 7)

מסד הנתונים מכיל 344 שורות ו-7 עמודות. נציץ בהם:

מסד הנתונים מציג נתונים עבור זנים של פינגווינים באיים שונים. כולל תיאור תכונות גופניות דוגמת אורך הסנפיר והמקור ומשקל הגוף.

משתמשים בפונקציה lineplot כדי לשרטט גרף קווי.

נשתמש בפונקציה lineplot כדי לתאר את השתנות אורך הסנפיר כפונקציה של משקל הגוף. הפונקציה דורשת את ערכי x ו-y ואת ציון מקור הנתונים.

sns.lineplot(x='body_mass_g', y='flipper_length_mm',  data=pdf)

• מגמת העלייה מצביעה על מתאם חיובי בין אורך הסנפיר למסת הגוף.
• מכיוון שהנתונים חוזרים על עצמם הקו מייצג את הממוצע והשוליים האפורים את סטיית התקן עבור רווח בר סמך של 95%.

ייתכן שהתרשים שתקבלו בשיטה המתוארת לעיל יהיה קטן יותר. נשנה את גודל התרשים:

from matplotlib import rcParams
 
# figure size in inches
rcParams['figure.figsize'] = 12,7.4

מעניין לראות כיצד הקורלציה משתנה בהתאם למין הפינגווין. נשתמש בפרמטר hue כדי לצבוע את המינים בגוון שונה:

sns.lineplot(x='body_mass_g', y='flipper_length_mm', data=pdf, hue='species')

• הפינגווינים המשתייכים לזנים הירוק והכחול הם בעלי גדלים זהים. שניהם קטנים יותר מהזן האדום.

כדי לחדד את ההבדלים בין המינים נשתמש בפרמטר style כדי לתת לכל זן סגנון קו שונה.

sns.lineplot(x='body_mass_g', y='flipper_length_mm', data=pdf, hue='species', style='species')

כדי להוסיף ולשנות את המרקרים נשתמש בפרמטר markers:

sns.lineplot(x='body_mass_g', y='flipper_length_mm', data=pdf, hue='species', style='species', markers=True)

כדי לשלב בתרשים יותר מקטגוריה אחת אנחנו יכולים להשתמש ב-hue עבור פרמטר אחד וב-style עבור פרמטר שני.

לדוגמה, נשתמש ב-hue עבור הזנים וב-style עבור האיים השונים.

sns.lineplot(x='body_mass_g', y='flipper_length_mm', data=pdf, hue='species', style='island', markers=True)

במבט אחד אנחנו יכולים לתפוס את השתנות הקורלציות בהתאם לאיים ולזנים.

כדי להסתיר את גבולות הרווח בר סמך מהאיור נשתמש בפרמטר ci:

sns.lineplot(x='body_mass_g', y='flipper_length_mm', data=pdf, hue='species', style='species', ci=False)

נשפר את מראה התרשים:

• נתאים את גודל התמונה
• נשנה את הקונטקסט
• נשנה את יחס ממדי הכיתוב

plt.figure(figsize=(12,7.4))
sns.set_context('paper', font_scale=1.6)
 
sns.lineplot(x='body_mass_g', y='flipper_length_mm', data=pdf, hue='species', style='species', ci=False)

• המתודה set_context() יכולה לקבל את הערכים: 'notebook', 'paper', 'talk', 'poster' תלוי בהקשר.
• עד סוף המדריך אתמיד עם הערך ברירת המחדל 'notebook'.

הפונקציה set_style() מאפשרת לנו להגדיר את הסגנון.

sns.set_style('whitegrid', {'figure.figize':(12,7), 'font_scale':1.6})
 
sns.lineplot(x='body_mass_g', y='flipper_length_mm', data=pdf,
            hue='species', style='species', ci=False)

האפשרויות של המתודה set_style() הם: 'white', 'dark', 'whitegrid', 'darkgrid' או 'ticks'.

3. תרשימים לתיאור רגרסיה

תרשים מסוג 'lmplot' מוסיף קו רגרסיה לתרשים פיזור.

בחלק זה של המדריך נחזור לעבוד עם מסד הנתונים של טיפים שבו השתמשנו בחלקו הראשון של המדריך.

tdf = sns.load_dataset('tips')

נשתמש בתרשים 'lmplot' כדי ללמוד את השפעת גודל החשבון בסוף הארוחה על גודל התשר.

sns.lmplot(x='total_bill', y='tip', hue='sex', data=tcf)

נשתמש בפרמטרים הבאים כדי לשפר את מראה התרשים:

sns.lmplot(x='total_bill', y='tip', hue='sex',
          data=tcf,
          markers=['+', 'o'],
          palette='Set1',
          scatter_kws={'s':70, 'alpha': 0.4},
          height=7,
          aspect=1.61)

• הפרמטר markers משמש לקביעת הצורה
• הפרמטר palette כדי שנוכל להשתמש בסגנון קיים
• scatter_kws משמש להגדרת גודל הנקודות (s) והשקיפות (alpha).
• הפרמטרים height ו-aspect משמשים לקביעת ממדי התרשים.

Matplotlib כולל מגוון של סכימות צבעים שאותם ניתן להזין לפרמטר palette. אפשר לקרוא אודות האפשרויות השונות בתיעוד הרשמי.

נוסיף את הפרמטרים row ו-col כדי להציג תתי תרשימים עבור הקטגוריות.

sns.lmplot(x='total_bill', y='tip', data=tcf,
           row='sex', col='time',
           hue='sex',
           palette='Set1',
           height=3, aspect=1.61)

• בתרשים השורות מתחלקות לפי המינים (זכר ונקבה) והעמודות על פי זמני הארוחות.

4. תרשימי התפלגות

4א. היסטוגרמה

אחת הדרכים המקובלות ביותר להציג את התפלגות המידע היא באמצעות היסטוגרמות.

לדוגמה, התפלגות ממדי עלי הכותרת והגבעולים במסד הנתונים של זני פרחים מסוג איריס (Iris dataset).

idf = sns.load_dataset('iris')
print(idf.shape)
idf.head()

(150, 5)

נשתמש בפונקציה displot כדי ליצור היסטוגרמה. המידע ההכרחי הוא ציר ה-x ומקור המידע.

sns.displot(x='sepal_width', data=idf)

• עכשיו קל לראות שרוחב עלי הכותרת מציג התפלגות נורמלית.

bin (תרגום חופשי: מיכל אחסון) מאפשר לנו לחלק את המידע במרווחים שווים.

לדוגמה, נחלק את המידע ל-6 חלקים שווים באמצעות הפרמטר bin:

sns.displot(x='sepal_width', data=idf, bins=6)

אחת הדרכים לבחון את ה- skewness (האם העקומה נוטה לאחד הצדדים) היא באמצעות הוספת הממוצע והחציון לתרשים. אם הממוצע הוא מימין לחציון אז הנטייה היא ימינה ואם משמאל אז העקומה נוטה שמאלה. לא מכיר דרך להוסיף את המידע באמצעות seaborn. לפיכך, אשתמש ב-Matplotlib.

mean = idf.sepal_width.mean()
med = idf.sepal_width.median()
 
sns.displot(x='sepal_width', data=idf, palette='Set1')
 
plt.axvline(mean, 0, 1, color='red')
plt.axvline(med, 0, 1, color='green')

• העקומה אינה מוטה.

דרך מצוינת אחרת לתאר את הטיית הנתונים היא באמצעות הוספת עקומת KDE על גבי ההיסטוגרמה. לצורך זה נשתמש בפונקציה distplot עם t במקום ב- displot:

sns.distplot(idf.sepal_width)

4ב. תרשים KDE

באופן דומה להצגת התפלגות המידע באמצעות היסטוגרמות ניתן להציג את אותו המידע באמצעות עקומת KDE הממחישה את התפלגות המידע באמצעות עקומת צפיפות רציפה.

נעביר לפונקציה kdeplot את שמה של העמודה שאנו רוצים לתאר:

sns.kdeplot(idf.sepal_width)

• לא הייתי יכול לקבל עקומה נורמלית מזו אפילו אם הייתי בוחר את הדוגמאות בעצמי.

4ג. Pair plots

תרשים pair plot מאפשר לתאר את היחסים בין העמודות המספריות של מסד הנתונים.

נזין לפונקציה pairplot את מסד הנתונים שמעניין אותנו.

sns.pairplot(idf)

• במסד הנתונים קיימות 4 קטגוריות המודדות את אורך ורוחב עלי הכותרת.
• שני סוגים התרשימים הם: היסטוגרמה ותרשים פיזור. תרשימי הפיזור מראים את הקשר בין שני משתנים (לדוגמה, הקשר בין אורך ורוחב עלי כותרת). ההיסטוגרמות מוצגות בתאי האלכסון שחוצה את התרשים ומאפשרות לנו לראות את ההתפלגות עבור משתנה יחיד (למשל, התפלגות אורך עלי הכותרת בחלק השמאלי העליון).
• אנו יכולים לראות קשר חזק בין אורך הגבעול ועלי הכותרת, וכי לממדים של הגבעול יש התפלגות נורמלית בעוד שמימדי הכותרות מוטים שמאלה.

נשתמש בפרמטר 'hue' כדי להוסיף מידע על הקטגוריות בתוך התרשים. לדוגמה, כדי לצבוע את נקודות המידע בהתאם לזן.

sns.pairplot(idf, hue='species')

• כשהכנסתי את הפרמטר 'hue' השתנה סוג התרשים שבו משתמשת הפונקציה לתכונות בודדות (מופיעות על האלכסון). תרשים 'KDE' במקום היסטוגרמה.

אנחנו יכולים להוסיף קווי רגרסיה לתרשימי הפיזור על ידי שימוש בפרמטר kind='reg'.

sns.pairplot(idf, hue='species', kind='reg')

תרשים מסוג 'pair plot' עלול לבלבל את הצופה. כדי להפחית את עומס המידע אנחנו יכולים להשתמש בפרמטרים 'x_vars' ו-'y_vars' כדי להגדיר ל-seaborn באילו עמודות להשתמש.

sns.pairplot(idf,
   x_vars=["petal_length", "petal_width"],
   y_vars=["petal_length", "petal_width"],
   hue='species')

5. תרשימים לתיאור קטגוריות

עד כה הסברנו בעיקר כיצד להציג תרשימים עבור נתונים מספריים אולם גם משתנים קטגוריים זוכים לטיפול מסור מצד seaborn.

5א. תרשים עמודות

תרשים עמודות מתאר את היחסים הכמותיים בין האפשרויות השונות בקטגוריה.

בחלק זה של המדריך נעבוד עם מסד הנתונים tips. :נטען את מסד הנתונים

tcf = sns.load_dataset('tips')

הפונקציה barplot משמשת להצגת תרשימי עמודות. הפונקציה דורשת שלושה פרמטרים: העמודות על הצירים (x,y) ומסד הנתונים.

sns.barplot(x='day', y='total_bill', data=tcf)

• גובה העמודות מתאר את הממוצע.
• קווי השגיאה הם הקווים האופקיים בראשי העמודות.

נשתמש בפרמטר ci = 0 כדי להסתיר את קווי השגיאה.

sns.barplot(x='day', y='total_bill', data=tcf, ci=0)

נוסיף את הקטגוריה 'hue' כדי להבחין בין זכרים לנקבות.

sns.barplot(x='day', y='total_bill', data=tcf, hue='sex')

• גברים נוטים לתת טיפים גבוהים יותר.

כדי לשרטט תרשים עמודות אופקי נהפוך את הצירים ונשתמש בפרמטר orient = 'h'.

sns.barplot(x='total_bill', y='day', data=tcf, hue='sex', orient='h')

המדד ברירת המחדל בו משתמש seabron עבור תרשים עמודות הוא הממוצע mean. אנו יכולים להשתמש במדדים אחרים של numpy באמצעות הפרמטר estimator.

sns.barplot(x='day', y='total_bill', data=tcf, estimator=np.median)

מדדים נוספים בהם ניתן להשתמש הם np.stdev, np.var, np.cov.

5ב. תרשים ספירה count plot

תרשים ספירה count plot מציג את מספר הדוגמאות מכל סוג בקטגוריה. לדוגמה, מספר הזכרים והנקבות במסד הנתונים:

# e.g. how many males and females
sns.countplot(x='sex', data=tcf)

• במסד הנתונים יש יותר זכרים מנקבות.

5ג. box plot

אחת הפונקיות המועילות ביותר של seaborn היא הפונקציה המאפשרת לייצר box plot - המתאר מדדי מרכז והתפלגות - ללא כאבים.

לדוגמה, כיצד משתנה גובה הטיפ ע"פ ימי השבוע?

sns.boxplot(x='day', y='tip', data=tcf)

השורה החוצה באמצע מסמלת את החציון. התיבה תוחמת את הרביעים השני והשלישי. הזיפים מתארכים כדי להראות את הרביעים הראשון והרביעי. החריגים מוצגים באמצעות יהלומים.

כדי לראות את נקודות המידע עצמם נשתמש ב-swarplot אותו נציג על גבי ה -box plot.

sns.boxplot(x='day', y='tip', data=tcf)
sns.swarmplot(x='day', y='tip', data=tcf, color='black', alpha=0.4)

הפרמטר 'hue' מאפשר לנו לחלק את התרשים לפי יותר מקטגוריה אחת. לדוגמה, כדי לראות את השפעת המין על הטיפ בימי השבוע השונים:

sns.boxplot(x='day', y='tip', data=tcf, hue='sex')

כדי לשנות את סכמת הצבעים נשתמש בפרמטר 'scheme'.

sns.boxplot(x='day', y='tip', data=tcf, hue='sex', color='grey')

נשתמש בפונקציה legend של matplotlib כדי למקם את המקרא בתרשים.

sns.boxplot(x='day', y='tip', data=tcf, hue='sex')
plt.legend(loc='upper left')

כדי להפוך את ה-box plot לאופקי כל מה שצריך הוא להחליף את הצירים כדי שהקטגוריות יהיו על ציר ה-Y.

sns.boxplot(x='tip', y='day', data=tcf, hue='sex')

5ד. תרשים כינורות violin plot

violin plot משלב בין box plot לתרשים KDE.

sns.violinplot(x='day', y='tip', data=tcf, hue='sex')

כמו עבור box plot נוסיף swarm plot ע"ג התרשים כדי לראות את נקודות המידע.

sns.violinplot(x='day', y='tip', data=tcf, hue='sex', palette='Set1')
sns.swarmplot(x='day', y='tip', data=tcf, alpha=0.4,hue='sex', palette='Set1')

6. מפת חום heat map

מפות חום heat maps מאפשרות לנו לייצג בקלות רבה מטריצות של נתונים. דוגמת: confusion matrix, טבלאות ציר ומטריצות של קורלציות.

ניצור מטריצה של קורלציות עבור העמודות המספריות של מסד נתונים iris ונציג בטבלה.

imx = idf[['sepal_width','sepal_length','petal_width','petal_length']].corr()
print(imx)

• הערכים נעים בין 1 למינוס 1. ככל שהערך קיצוני יותר כך הקורלציה חזקה יותר. קורלציה קרובה ל-0 מצביעה על העדר קשר בין הגדלים.

נצייר את מטריצת הקורלציות באמצעות הפונקציה heatmap. הפרמטר 'annot' קובע האם להציג מספרים בתוך התאים. את סכימת הצבעים נגדיר באמצעות 'cmap'.

sns.heatmap(imx, annot=True, cmap='Blues')

דוגמת שימוש נוספת היא טבלת ציר pivot table.

לצורך הדוגמה, נשתמש במסד נתונים המתאר את השינוי במספר הטסים במטוסים במשך שנים וחודשים.

flights = sns.load_dataset('flights')

נשתמש בפונקציה pivot_table() של pandas כדי ליצור את טבלת הציר כשהחודשים מהווים את השורות, השנים את העמודות ומספרי הנוסעים את הערכים.

flights = flights.pivot_table(index='month', columns='year',
                             values='passengers')

נשתמש בפונקציה heatmap לצורך יצירת התרשים.

sns.heatmap(flights, cmap='Blues', linecolor='white', linewidth=1)

• כמות הנוסעים עלתה מדי שנה.
• בכל שנה נרשם שיא במספר הנוסעים בחודשי הקיץ. יולי ואוגוסט.

כיצד להשתמש ב- facetgrid להצגת תרשימים בתוך מטריצה

הפונקציה facetgrid של seaborn לוקחת את המידע הקטגורי ומייצרת מטריצה של תתי תרשימים המבוססת על האפשרויות השונות של כל קטגוריה.

נשתמש בפרמטר 'col' כדי לקבוע את המשתנה עליו יתבססו עמודות המטריצה, ובפרמטר 'row' עבור השורות.

לדוגמה, עמודות ע"פ הימים ושורות ע"פ מין הסועד עבור מסד הנתונים של הטיפים.

sns.FacetGrid(tdf, col='day', row='sex')

נוסיף את התרשימים על גבי המטריצה.

לדוגמה, מטריצה המתארת את התפלגות גובה החשבון על פני ימי השבוע וע"פ מין הסועד.

fg = sns.FacetGrid(tdf, col='day', row='sex')
fg.map(sns.distplot, 'total_bill')

7. הזוג המנצח matplotlib עם seaborn להצגת תרשימים בתוך מטריצה בגמישות מירבית

facetgrid לא תמיד מספיק גמיש כדי לספק לנו את כל האפשרויות להם אנו זקוקים כשאנו רוצים לייצר מטריצות של תרשימים. הדרך הטובה ביותר להשיג חופש מירבי כשמייצרים מטריצות הוא לשלב את יכולת ייצור המטריצות של matplotlib עם קלות ייצור התרשימים של seaborn.

לצורך הדוגמה, אני משתמש במסד נתונים אודות אוניית הנוסעים טיטאניק הכולל מידע כדוגמת מין הנוסעים, המחלקה, היכן עלו לסיפון, והאם שרדו את הטביעה. המטרה שלנו בתרגיל שמיד נבצע היא להמחיש אילו נתונים השפיעו במיוחד על סיכויי ההישרדות.

ndf = sns.load_dataset('titanic')
print(ndf.shape)
ndf.head()

(891, 15)

ניצור את המטריצה באמצעות הפונקציה subplots של matplotlib. לדוגמה, מטריצה של 2X2.

n_rows = 2
n_cols = 2
 
fig, axs = plt.subplots(n_rows, n_cols, squeeze=False, figsize=(12,7.4))

נציב כל אחד מהתרשימים באחד מתאי המטריצה תוך שנשתמש בפרמר 'ax' שמגדיר את המיקום של תתי התרשימים בתוך המטריצה.

fig, axs = plt.subplots(n_rows, n_cols, squeeze=False, figsize=(12,7.4))
 
# plot 1 - cell (0,0)
sns.countplot(x='who', hue='survived', data=ndf,
              ax=axs[0,0],
              palette='Set1')
 
# plot 2 - cell (0,1)
sns.countplot(x='class', hue='survived', data=ndf,
              ax=axs[0,1],
              palette='Set1')
 
# plot 3 - cell (1,0)
sns.countplot(x='embark_town', hue='survived', data=ndf,
              ax=axs[1,0],
              palette='Set1')
 
# plot 4 - cell (1,1)
sns.regplot(x='fare', y='survived', data=ndf,
            ax=axs[1,1],
            color='r')

סיכויי ההישרדות באסון טביעת הטיטאניק היו גדולים יותר עבור נקבות, נוסעי המחלקה הראשונה, נוסעים שעלו לסיפון מנמל שאינו סאות'המפטון וככל שעלה המחיר ששולם עבור כרטיס ההפלגה.

סיכום

ספריית seabron של פייתון מאפשרת לנו לצייר תרשימים ברמה גבוהה באמצעות ממשק אינטואיטיבי ופשוט יחסית. למרות היכולות המגוונות שמציעה הספרייה יש דברים שלא ניתן או שלא כדאי לבצע בעזרתה ואז כדאי להעזר בשירותיה של הספרייה האם matplotlib.

לכל המדריכים בנושא של למידת מכונה

אהבתם? לא אהבתם? דרגו!

0 הצבעות, ממוצע 0 מתוך 5 כוכבים