Dans le code ci-dessous, j'a la variable "modelyear" pour la couleur. Malheureusement le…
- User
Dans le code ci-dessous, j'a la variable "model_year" pour la couleur. Malheureusement le choix des 13 couleurs (car 13 catégories différentes) sont un peu aléatoires. J'ai plutôt aimé avoir les couleurs en dégradé dans le même ordre que celles de l'arc-en-ciel, peux-tu corriger ? code:
col_coul = df['model_year']; cats = col_coul.unique();
for i in range(0, len(df_nan)): col1 = df_nan.index[i]
for j in range(i+1, len(df_nan)): col2 = df_nan.index[j] fig, ax = plt.subplots(figsize=(22, 8)) # Cas 1 : col1 et col2 numériques → scatter plot avec coefficient de corrélation if df[col1].dtype != object and df[col2].dtype != object: correlation = df[[col1, col2]].corr().iloc[0, 1] for cat in cats: indice = (col_coul == cat) ax.scatter(df[col1][indice], df[col2][indice], label=cat, alpha=0.5, s=10) ax.set_title(f"{col1} vs {col2}, R: {correlation:.2f}", fontsize=20) ax.set_xlabel(col1, fontsize=15) ax.set_ylabel(col2, fontsize=15) ax.legend() plt.tight_layout() plt.show() # Cas 2 : col1 numérique ET col2 catégoriel → boxplot elif df[col1].dtype != object and df[col2].dtype == object: sb.boxplot(x=df[col2], y=df[col1], ax=ax) ax.set_title(f"Boxplot de {col1} par {col2}", fontsize=20) ax.set_xlabel(col2, fontsize=15) ax.set_ylabel(col1, fontsize=15) plt.xticks(rotation=45) plt.tight_layout() plt.show() # Cas 3 : col1 catégoriel ET col2 numérique → boxplot aussi elif df[col1].dtype == object and df[col2].dtype != object: sb.boxplot(x=df[col1], y=df[col2], ax=ax) ax.set_title(f"Boxplot de {col2} par {col1}", fontsize=20) ax.set_xlabel(col1, fontsize=15) ax.set_ylabel(col2, fontsize=15) plt.xticks(rotation=45) plt.tight_layout() plt.show() # Cas 4 : col1 et col2 catégoriels → heatmap (carte de chaleur) elif df[col1].dtype == object and df[col2].dtype == object: confusion = pd.crosstab(df[col1], df[col2]) sb.heatmap(confusion, annot=True, fmt='d', cmap='Blues', ax=ax) ax.set_title(f"Carte de chaleur entre {col1} et {col2}", fontsize=20) plt.xlabel(col2, fontsize=15) plt.ylabel(col1, fontsize=15) plt.tight_layout() plt.show() - Assistant
Bien sûr ! Pour avoir des couleurs dans l'ordre de l'arc-en-ciel (ROUGE, ORANGE, JAUNE, VERT, BLEU, INDIGO, VIOLET), tu peux utiliser une colormap (carte de couleurs) de matplotlib qui suit cet ordre.
Le problème ici est que tu as 13 catégories (
model_yearunique), donc on va devoir interpoler les couleurs de l'arc-en-ciel pour avoir 13 teintes différentes.Remplace la partie de ton code où tu fais du
scatterpar ceci :import matplotlib.cm as cm import numpy as np col_coul = df['model_year'] cats = col_coul.unique() # Création d'une colormap arc-en-ciel cmap = cm.get_cmap('hsv') # 'hsv' simule bien l'arc-en-ciel # Normalisation des indices de tes catégories pour les mapper sur [0,1] norm = plt.Normalize(vmin=0, vmax=len(cats) - 1) for i in range(0, len(df_nan)): col1 = df_nan.index[i] for j in range(i+1, len(df_nan)): col2 = df_nan.index[j] fig, ax = plt.subplots(figsize=(22, 8)) # Cas 1 : col1 et col2 numériques → scatter plot avec coefficient de corrélation if df[col1].dtype != object and df[col2].dtype != object: correlation = df[[col1, col2]].corr().iloc[0, 1] for idx, cat in enumerate(cats): # On récupère l'index de la catégorie indice = (col_coul == cat) # On attribue une couleur en fonction de l'index de la catégorie couleur = cmap(norm(idx)) ax.scatter(df[col1][indice], df[col2][indice], label=cat, color=couleur, alpha=0.5, s=10) ax.set_title(f"{col1} vs {col2}, R: {correlation:.2f}", fontsize=20) ax.set_xlabel(col1, fontsize=15) ax.set_ylabel(col2, fontsize=15) ax.legend() plt.tight_layout() plt.show() # ... (le reste de ton code ne change pas)Explications :
-
cm.get_cmap('hsv'):- On utilise la colormap
'hsv'(Hue, Saturation, Value), qui représente bien le dégradé de l'arc-en-ciel. 'hsv'commence par ROUGE, passe par toutes les couleurs de l'arc-en-ciel (ORANGE, JAUNE, VERT, BLEU, INDIGO, VIOLET) et revient au ROUGE.- C'est pratique car matplotlib va interpoler automatiquement les couleurs si on lui demande plus de 7 couleurs.
- On utilise la colormap
-
norm = plt.Normalize(vmin=0, vmax=len(cats) - 1):- On crée un objet
Normalizequi va mapper les indices de tes catégories (0àlen(cats)-1) sur l'intervalle[0, 1]. - Pourquoi ? Car
cmap(x)attend quexsoit un float entre0(première couleur) et1(dernière couleur).
- On crée un objet
-
couleur = cmap(norm(idx)):idxest l'indice de la catégorie courante (0, 1, 2, ..., 12 pour 13 catégories).norm(idx)transforme cet indice en une valeur entre 0 et 1.cmap(...)renvoie la couleur RGBA correspondante dans la colormap'hsv'.
Résultat visuel attendu :
- Pour 13 catégories, tu auras un dégradé qui commence au ROUGE (catégorie 0),
- passe progressivement par l'ORANGE (catégories 1-2),
- puis JAUNE (catégories 3-4),
- puis VERT (catégories 5-6),
- puis BLEU CYAN (catégories 7-8),
- puis BLEU INDIGO (catégories 9-10),
- et finit presque au VIOLET (catégories 11-12).
Ainsi, tes points seront coloriés dans un ordre arc-en-ciel logique et visuellement agréable !
Bonus :
Si tu veux forcer le retour au rouge après le violet (cycle complet de l'arc-en-ciel), tu peux bidouiller les valeurs de
normpour qu'elles "tournent" sur l'intervalle[0, 0.8]au lieu de[0, 1](carhsvboucle sur 1) :norm = plt.Normalize(vmin=0, vmax=len(cats) * 0.8 / len(cats)) # ~0.8 pour 13 catsAinsi, tes 13 couleurs seront vraiment dans l'ordre ROUGE → VIOLET sans "revenir" au rouge (ça s'arrête avant).
Mais pour 13 catégories, la config par défaut (
vmax=len(cats)-1) est déjà parfaite.Reste du code inchangé : les boxplots et heatmaps n'utilisent pas cette logique de couleurs, c'est uniquement pour le
scatterdu Cas 1.Profite de tes beaux graphiques colorés !
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.