Python?seaborn?barplot畫圖案例
更新時間：2022年07月22日 10:23:25 作者：qq_45759229
這篇文章主要介紹了Python?seaborn?barplot畫圖案例，文章圍繞主題展開詳細的內容介紹，具有一定的參考價值，需要的小伙伴可以參考一下
默認barplot
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
sns.set_theme(style="whitegrid")
df = sns.load_dataset("tips")
#默認畫條形圖
sns.barplot(x="day",y="total_bill",data=df)
plt.show()
#計算平均值看是否和條形圖的高度一致
print(df.groupby("day").agg({"total_bill":[np.mean]}))
print(df.groupby("day").agg({"total_bill":[np.std]}))
# 注意這個地方error bar顯示并不是標準差
total_bill
mean
day
Thur 17.682742
Fri 17.151579
Sat 20.441379
Sun 21.410000
total_bill
std
day
Thur 7.886170
Fri 8.302660
Sat 9.480419
Sun 8.832122
使用案例
# import libraries
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
# load dataset
tips = sns.load_dataset("tips")
# Set the figure size
plt.figure(figsize=(14, 8))
# plot a bar chart
ax = sns.barplot(x="day", y="total_bill", data=tips, estimator=np.mean, ci=85, capsize=.2, color='lightblue')
修改capsize
ax=sns.barplot(x="day",y="total_bill",data=df,capsize=1.0) plt.show()
顯示error bar的值
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid")
df = sns.load_dataset("tips")
#默認畫條形圖
ax=sns.barplot(x="day",y="total_bill",data=df)
plt.show()
for p in ax.lines:
width = p.get_linewidth()
xy = p.get_xydata() # 顯示error bar的值
print(xy)
print(width)
print(p)
[[ 0. 15.85041935] [ 0. 19.64465726]] 2.7 Line2D(_line0) [[ 1. 13.93096053] [ 1. 21.38463158]] 2.7 Line2D(_line1) [[ 2. 18.57236207] [ 2. 22.40351437]] 2.7 Line2D(_line2) [[ 3. 19.66244737] [ 3. 23.50109868]] 2.7 Line2D(_line3)
annotata error bar
fig, ax = plt.subplots(figsize=(8, 6))
sns.barplot(x='day', y='total_bill', data=df, capsize=0.2, ax=ax)
# show the mean
for p in ax.patches:
h, w, x = p.get_height(), p.get_width(), p.get_x()
xy = (x + w / 2., h / 2)
text = f'Mean:\n{h:0.2f}'
ax.annotate(text=text, xy=xy, ha='center', va='center')
ax.set(xlabel='day', ylabel='total_bill')
plt.show()
error bar選取sd
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid")
df = sns.load_dataset("tips")
#默認畫條形圖
sns.barplot(x="day",y="total_bill",data=df,ci="sd",capsize=1.0)## 注意這個ci參數(shù)
plt.show()
print(df.groupby("day").agg({"total_bill":[np.mean]}))
print(df.groupby("day").agg({"total_bill":[np.std]}))
total_bill
mean
day
Thur 17.682742
Fri 17.151579
Sat 20.441379
Sun 21.410000
total_bill
std
day
Thur 7.886170
Fri 8.302660
Sat 9.480419
Sun 8.832122設置置信區(qū)間(68)
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid")
df = sns.load_dataset("tips")
#默認畫條形圖
sns.barplot(x="day",y="total_bill",data=df,ci=68,capsize=1.0)## 注意這個ci參數(shù)
plt.show()
設置置信區(qū)間(95)
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid")
df = sns.load_dataset("tips")
#默認畫條形圖
sns.barplot(x="day",y="total_bill",data=df,ci=95)
plt.show()
#計算平均值看是否和條形圖的高度一致
print(df.groupby("day").agg({"total_bill":[np.mean]}))
total_bill
mean
day
Thur 17.682742
Fri 17.151579
Sat 20.441379
Sun 21.410000dataframe aggregate函數(shù)使用
#計算平均值看是否和條形圖的高度一致
df = sns.load_dataset("tips")
print("="*20)
print(df.groupby("day").agg({"total_bill":[np.mean]})) # 分組求均值
print("="*20)
print(df.groupby("day").agg({"total_bill":[np.std]})) # 分組求標準差
print("="*20)
print(df.groupby("day").agg({"total_bill":"nunique"})) # 這里統(tǒng)計的是不同的數(shù)目
print("="*20)
print(df.groupby("day").agg({"total_bill":"count"})) # 這里統(tǒng)計的是每個分組樣本的數(shù)量
print("="*20)
print(df["day"].value_counts())
print("="*20)====================
total_bill
mean
day
Thur 17.682742
Fri 17.151579
Sat 20.441379
Sun 21.410000
====================
total_bill
std
day
Thur 7.886170
Fri 8.302660
Sat 9.480419
Sun 8.832122
====================
total_bill
day
Thur 61
Fri 18
Sat 85
Sun 76
====================
total_bill
day
Thur 62
Fri 19
Sat 87
Sun 76
====================
Sat 87
Sun 76
Thur 62
Fri 19
Name: day, dtype: int64
====================dataframe aggregate 自定義函數(shù)
import numpy as np
import pandas as pd
df = pd.DataFrame({'Buy/Sell': [1, 0, 1, 1, 0, 1, 0, 0],
'Trader': ['A', 'A', 'B', 'B', 'B', 'C', 'C', 'C']})
print(df)
def categorize(x):
m = x.mean()
return 1 if m > 0.5 else 0 if m < 0.5 else np.nan
result = df.groupby(['Trader'])['Buy/Sell'].agg([categorize, 'sum', 'count'])
result = result.rename(columns={'categorize' : 'Buy/Sell'})
resultBuy/Sell Trader 0 1 A 1 0 A 2 1 B 3 1 B 4 0 B 5 1 C 6 0 C 7 0 C
dataframe aggregate 自定義函數(shù)2
df = sns.load_dataset("tips")
#默認畫條形圖
def custom1(x):
m = x.mean()
s = x.std()
n = x.count()# 統(tǒng)計個數(shù)
#print(n)
return m+1.96*s/np.sqrt(n)
def custom2(x):
m = x.mean()
s = x.std()
n = x.count()# 統(tǒng)計個數(shù)
#print(n)
return m+s/np.sqrt(n)
sns.barplot(x="day",y="total_bill",data=df,ci=95)
plt.show()
print(df.groupby("day").agg({"total_bill":[np.std,custom1]})) # 分組求標準差
sns.barplot(x="day",y="total_bill",data=df,ci=68)
plt.show()
print(df.groupby("day").agg({"total_bill":[np.std,custom2]})) #?[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-pkCx72ui-1658379974318)(output_24_0.png)]
total_bill
std custom1
day
Thur 7.886170 19.645769
Fri 8.302660 20.884910
Sat 9.480419 22.433538
Sun 8.832122 23.395703[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-GFyIePmW-1658379974318)(output_24_2.png)]
total_bill
std custom2
day
Thur 7.886170 18.684287
Fri 8.302660 19.056340
Sat 9.480419 21.457787
Sun 8.832122 22.423114seaborn顯示網格
ax=sns.barplot(x="day",y="total_bill",data=df,ci=95) ax.yaxis.grid(True) # Hide the horizontal gridlines ax.xaxis.grid(True) # Show the vertical gridlines
seaborn設置刻度
fig, ax = plt.subplots(figsize=(10, 8)) sns.barplot(x="day",y="total_bill",data=df,ci=95,ax=ax) ax.set_yticks([i for i in range(30)]) ax.yaxis.grid(True) # Hide the horizontal gridlines
使用其他estaimator
#estimator 指定條形圖高度使用相加的和
sns.barplot(x="day",y="total_bill",data=df,estimator=np.sum)
plt.show()
#計算想加和看是否和條形圖的高度一致
print(df.groupby("day").agg({"total_bill":[np.sum]}))
'''
total_bill
sum
day
Fri 325.88
Sat 1778.40
Sun 1627.16
Thur 1096.33
'''
到此這篇關于Python seaborn barplot畫圖案例的文章就介紹到這了,更多相關Python seaborn barplot 內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
Python類中使用cursor.execute()時語法錯誤的解決方法
在 Python 類中使用 cursor.execute() 時,出現(xiàn)語法錯誤（如 SyntaxError 或 SQL 語法相關錯誤）通常是因為 SQL 語句格式不正確、占位符使用不當,或參數(shù)傳遞方式不符合預期,以下是解決此類問題的常見方法和建議,需要的朋友可以參考下2024-09-09
Python使用Pandas對csv文件進行數(shù)據(jù)處理的方法
這篇文章主要介紹了Python使用Pandas對csv文件進行數(shù)據(jù)處理的方法，本文通過實例代碼相結合給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下2019-08-08
在本篇文章里小編給大家整理的是一篇關于python實現(xiàn)梯度下降算法的實例詳解內容，需要的朋友們可以參考下。2020-08-08
這篇文章主要介紹了windows下python模擬鼠標點擊和鍵盤輸示例,需要的朋友可以參考下2014-02-02
Python異步與定時任務提高程序并發(fā)性和定時執(zhí)行效率
Python異步與定時任務是Python編程中常用的兩種技術，異步任務可用于高效處理I/O密集型任務，提高程序并發(fā)性；定時任務可用于定時執(zhí)行計劃任務，提高程序的執(zhí)行效率。這兩種技術的應用有助于提升Python程序的性能和效率2023-05-05
本文給大家詳細講解了python中的裝飾器與遞歸算法，有需要的小伙伴可以來參考下，希望對大家學習Python能夠有所幫助2016-02-02
這篇文章主要介紹了Python中__new__()方法適應及注意事項的相關資料,new()方法是Python中的一個特殊構造方法,用于在創(chuàng)建對象之前調用,并負責返回類的新實例,它與init()方法不同,需要的朋友可以參考下2025-03-03
本文主要介紹了Flask接收上傳圖片方法實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-07-07
Python人工智能實戰(zhàn)之以圖搜圖的實現(xiàn)
這篇文章主要為大家詳細介紹了如何基于vgg網絡和Keras深度學習框架實現(xiàn)以圖搜圖功能。文中的示例代碼講解詳細，感興趣的小伙伴可以學習一下2022-05-05
今天小編就為大家分享一篇python繪制直方圖和密度圖的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07