seaborn是python中的一個非常強大的數(shù)據(jù)可視化庫，它集成了matplotlib，下圖為seaborn的官網(wǎng)，如果遇到疑惑的地方可以到官網(wǎng)查看。http://seaborn.pydata.org/

從官網(wǎng)的主頁我們就可以看出，seaborn在數(shù)據(jù)可視化上真的非常強大。

1.首先我們還是需要先引入庫，不過這次要用到的python庫比較多。

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

2.sns.set_style()：不傳入?yún)?shù)用的就是seaborn默認的主題風格，里面的參數(shù)共有五種

• darkgrid
• whitegrid
• dark
• white
• ticks

我比較習慣用whitegrid。

3.下面說一下seaborn里面的調(diào)色板，我們可以用sns.color_palette()獲取到這些顏色，然后用sns.palplot()將這些色塊打印出來。color_palette()函數(shù)還可以傳入一些參數(shù)

sns.palplot(sns.color_palette("hls",n))#顯示出n個不同顏色的色塊
sns.palplot(sns.color_palette("Paired",2n))#顯示出2n個不同顏色的色塊，且這些顏色兩兩之間是相近的
sns.palplot(sns.color_palette("color"))#由淺入深顯示出同一顏色的色塊
sns.palplot(sns.color_palette("color_r"))##由深入淺顯示出同一顏色的色塊
sns.palplot(sns.color_palette("cubehelix",n))#顯示出n個顏色呈線性變化的色塊
sns.palplot(sns.cubehelix_palette(k,start=m,rot=n))#顯示出k個start(0,3)為m，rot(-1,1)為n的呈線性變化的色塊
sns.palplot(sns.light_palette("color"))#將一種顏色由淺到深顯示
sns.palplot(sns.dark_palette("color"))#將一種顏色由深到淺顯示
sns.palplot(sns.dark_palette("color",reverse=bool))#reverse的值為False，則將一種顏色由深到淺顯示；若為True，則將一種顏色由淺到深顯示

4.sns.kdeplot(x,y,cmap=pal)：繪制核密度分布圖。

5.sns.distplot(x,kde=bool,bins=n)：kde代表是否進行核密度估計，也就是是否繪制包絡線，bins指定繪制的條形數(shù)目。

6.根據(jù)均值和協(xié)方差繪圖：

首先我們要根據(jù)均值和協(xié)方差獲取數(shù)據(jù)

mean,cov = [m,n],[(a,b),(c,d)]#指定均值和協(xié)方差
data = np.random.multivariate_normal(mean,cov,e)#根據(jù)均值和協(xié)方差獲取e個隨機數(shù)據(jù)
df = pd.DataFrame(data,columns=["x","y"])#將數(shù)據(jù)指定為DataFrame格式
df

然后繪制圖像

sns.jointplot(x="x",y="y",data=df) #繪制散點圖

用sns.jointplot(x="x",y="y",data=df)可以繪制出x和y單變量的條形圖以及x與y多變量的散點圖。

7.在jointplot()函數(shù)中傳入kind=“hex”，能夠在數(shù)據(jù)量比較大時讓我們更清晰地看到數(shù)據(jù)的分布比重。

x,y = np.random.multivariate_normal(mean,cov,2000).T
with sns.axes_style("white"):
  sns.jointplot(x=x,y=y,kind="hex",color="c")

繪制出的圖像如下

8.sns.pairplot(df)：繪制出各變量之間的散點圖與條形圖，且對角線均為條形圖。

在這里我們可以先使用df = sns.load_dataset("")將seaborn中原本帶有的數(shù)據(jù)讀入或用pandas讀取。

9.繪制回歸分析圖：這里可以用兩個函數(shù)regplot()和lmplot()，用regplot()更好一些。

如果兩個變量不適合做回歸分析，我們可以傳入x_jitter()或y_jitter()讓x軸或y軸的數(shù)據(jù)輕微抖動一些，得出較為準確的結(jié)果。

10.sns.stripplot(x="",y="",data=df,jitter=bool)：繪制一個特征變量中的多個變量與另一變量關(guān)系的散點圖，jitter控制數(shù)據(jù)是否抖動。

11.sns.swarmplot(x="",y="",hue="",data=df)：繪制頁狀散點圖，hue指定對數(shù)據(jù)的分類，由于在大量數(shù)據(jù)下，上面的散點圖會影響到我們對數(shù)據(jù)的觀察，這種圖能夠更清晰地觀察到數(shù)據(jù)分布。

12.sns.boxplot(x="",y="",hue="",data=df，orient="h")：繪制盒形圖，hue同樣指定對數(shù)據(jù)的分類。在統(tǒng)計學中有四分位數(shù)的概念，第一個四分位記做Q1，第二個四分位數(shù)記做Q2，第三個四分位數(shù)記做Q3，Q3-Q1得到的結(jié)果Q叫做四分位距，如果一個數(shù)n,n的范圍是n<Q1-1.5Q或n>Q3+1.5Q，則稱n為離群點，也就是不符合數(shù)據(jù)規(guī)范的點，利用盒形圖可以很清晰地觀察到離群點。如果傳入orient則畫出的盒形圖是橫向的。

13.sns.violinplot(x="",y="",data=df,hue="",split=bool)：繪制小提琴圖，split表示是否將兩類數(shù)據(jù)分開繪制，如果為True，則不分開繪制，默認為False。

14.還可以將頁狀散點圖和小提琴圖在一起繪制，只需將兩個繪圖命令

inner="None"表示去除小提琴圖內(nèi)部的形狀。

15.sns.barplot(x="",y="",hue="",data=df)：按hue的數(shù)據(jù)分類繪制條形圖。

16.sns.pointplot(x="",y="",hue="",data=df)：繪制點圖，點圖可以更好的描述數(shù)據(jù)的變化差異。

17.我們還可以傳入其他參數(shù)：

sns.pointplot(x="class",y="survived",hue="sex",data=titanic,
       palette={"male":"#02ff96","female":"#0980e6"},#指定曲線的顏色
       markers=["s","d"],linestyles=["-","-."])#指定曲線的點型和線型

繪制出的圖像如下

18.sns.factorplot(x="", y="", hue="", data=df)：繪制多層面板分類圖。

sns.factorplot(x="day",y="total_bill",hue="smoker",data=tips)

繪制的圖像如下

19.sns.factorplot(x="",y="",hue="",data=df,kind="")：kind中指定要畫圖的類型。

sns.factorplot(x="day",y="total_bill",hue="smoker",data=tips,kind="bar")

sns.factorplot(x="day",y="total_bill",hue="smoker",col="time",data=tips,kind="swarm")

sns.factorplot(x="time",y="total_bill",hue="smoker",col="day",data=tips,kind="box",size=5,aspect=0.8) #aspect指定橫縱比

20.sns.factorplot()的參數(shù)：

• x,y,hue 數(shù)據(jù)集變量 變量名。
• date 數(shù)據(jù)集 數(shù)據(jù)集名。
• row,col 更多分類變量進行平鋪顯示 變量名。
• col_wrap 每行的最高平鋪數(shù) 整數(shù)。
• estimator 在每個分類中進行矢量到標量的映射 矢量。
• ci 置信區(qū)間 浮點數(shù)或None。
• n_boot 計算置信區(qū)間時使用的引導迭代次數(shù) 整數(shù)。
• units 采樣單元的標識符，用于執(zhí)行多級引導和重復測量設(shè)計 數(shù)據(jù)變量或向量數(shù)據(jù)。
• order, hue_order 對應排序列表 字符串列表。
• row_order, col_order 對應排序列表 字符串列表。
• kind : 可選：point 默認, bar 柱形圖, count 頻次, box 箱體, violin 提琴, strip 散點，swarm 分散點 size 每個面的高度（英寸） 標量 aspect 縱橫比 標量 orient 方向 "v"/"h" color 顏色 matplotlib顏色 palette 調(diào)色板 seaborn顏色色板或字典 legend hue的信息面板 True/False legend_out 是否擴展圖形，并將信息框繪制在中心右邊 True/False share{x,y} 共享軸線 True/False。

21.sns.FacetGrid()：這是一個很重要的繪圖函數(shù)。

g = sns.FacetGrid(tips,col="time")
g.map(plt.hist,"tip")

g = sns.FacetGrid(tips,col="sex",hue="smoker",size=5,aspect=1)
g.map(plt.scatter,"total_bill","tip",alpha=0.3,s=100)#alpha指定點的透明度，s指定點的大小
g.add_legend()#添加圖例

g = sns.FacetGrid(tips,col="day",size=4,aspect=0.8)
g.map(sns.barplot,"sex","total_bill")

22.sns.PairGrid()：將各變量間的關(guān)系成對繪制。

iris = sns.load_dataset("iris")
g = sns.PairGrid(iris)
g.map(plt.scatter)

23.g.map_diag()和g.map_offdiag()：繪制對角線和非對角線的圖形

g = sns.PairGrid(iris)
g.map_diag(plt.hist)  #指定對角線繪圖類型
g.map_offdiag(plt.scatter)  #指定非對角線繪圖類型

g = sns.PairGrid(iris, hue="species")
g.map_diag(plt.hist)
g.map_offdiag(plt.scatter)
g.add_legend()

g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"], hue="species",size=3)
g.map(plt.scatter)

g = sns.PairGrid(tips, hue="size", palette="GnBu_d")
g.map(plt.scatter, s=50, edgecolor="white")
g.add_legend()

24.sns.heatmap()：繪制熱度圖，熱度圖可以很清楚看到數(shù)據(jù)的變化情況以及變化過程中的最大值和最小值。

uniform_data = np.random.rand(3, 3)
print (uniform_data)
heatmap = sns.heatmap(uniform_data)

25.向heatmap()中傳入?yún)?shù)vmin=和vmax=。

ax = sns.heatmap(uniform_data,vmin=0.2,vmax=0.5) 
#超過最大值都是最大值的顏色，小于最小值都是最小值的顏色

26.

normal_data = np.random.randn(3, 3)
print (normal_data)
ax = sns.heatmap(normal_data, center=0)  #center指定右側(cè)圖例的中心值

27.

flights = sns.load_dataset("flights")
flights = flights.pivot("month", "year", "passengers")
ax = sns.heatmap(flights, annot=True,fmt="d",linewidth=0.5)  
#annot指定是否顯示數(shù)據(jù)，fmt指定數(shù)據(jù)的顯示格式,linewidth指定數(shù)據(jù)格子間的距離

28.

ax = sns.heatmap(flights, cmap="YlGnBu",cbar=True) 
#cmap指定圖形顏色，cbar表示是否繪制右側(cè)圖例。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論