快捷導航

python?Seaborn繪制統(tǒng)計圖全面指南(直方圖散點圖小提琴圖熱力圖相關(guān)系數(shù)圖多張合并)

更新時間：2024年01月19日 09:55:07 作者：用戶007?Python學習雜記

這篇文章主要介紹了python?Seaborn繪制統(tǒng)計圖全面指南,包括直方圖,散點圖,小提琴圖,熱力圖,相關(guān)系數(shù)圖及多張圖合并的實現(xiàn)示例,有需要的朋友可以借鑒參考下,希望能夠有所幫助

seaborn基礎(chǔ)使用

先看一一個簡單案例，

# 導入庫
import seaborn as sns
# 設(shè)置基本的配置
sns.set_theme()
# 導入數(shù)據(jù)
tips = sns.load_dataset("tips")
# 可視化
sns.relplot(
    data=tips,
    x="total_bill", y="tip", col="time",
    hue="smoker", style="smoker", size="size",
)

以上是用的seaborn自帶的樣例數(shù)據(jù)，該數(shù)據(jù)需要開魔法，全局代理才能導入。如果無法導入數(shù)據(jù)，也可以自己參照數(shù)據(jù)編寫樣本數(shù)據(jù)。數(shù)據(jù)樣式如下：

直方圖

可視化分布的最常見方法是直方圖。直方圖是一個條形圖，其中表示數(shù)據(jù)變量的軸被劃分為一組離散條柱，并且使用相應條形的高度顯示落在每個條柱內(nèi)的觀測值計數(shù)：

penguins = sns.load_dataset("penguins")
sns.displot(penguins, x="flipper_length_mm")

也可以設(shè)置直方圖的寬度。

sns.displot(penguins, x="flipper_length_mm", binwidth=3)

散點圖

散點圖是指在回歸分析中，數(shù)據(jù)點在直角坐標系平面上的分布圖，散點圖表示因變量隨自變量而變化的大致趨勢，據(jù)此可以選擇合適的函數(shù)對數(shù)據(jù)點進行擬合。

import seaborn as sns
sns.set_theme(style="white")

# Load the example mpg dataset
mpg = sns.load_dataset("mpg")

# Plot miles per gallon against horsepower with other semantics
sns.relplot(x="horsepower", y="mpg", hue="origin", size="weight",
            sizes=(40, 400), alpha=.5, palette="muted",
            height=6, data=mpg)

小提琴圖

小提琴圖（violin plot）是一種用于可視化數(shù)值數(shù)據(jù)分布情況的圖表類型，它結(jié)合了箱線圖和核密度圖的優(yōu)點。小提琴圖通常用于比較多個組之間的分布差異，或者顯示一個變量在不同類別下的分布情況。

小提琴圖的外形類似于小提琴，中間部分是數(shù)據(jù)的密度估計曲線，兩側(cè)是箱線圖或者散點圖。小提琴圖的橫軸通常表示變量或者組別，縱軸表示數(shù)值變量的取值范圍。每個小提琴圖的寬度相同，高度表示數(shù)據(jù)的密度分布情況。

小提琴圖中的箱線圖表示數(shù)據(jù)的五數(shù)概括（最小值、下四分位數(shù)、中位數(shù)、上四分位數(shù)、最大值），箱線圖兩側(cè)的線條表示數(shù)據(jù)的范圍。如果需要比較多個組之間的分布差異，可以將它們放在同一個小提琴圖上進行比較。如果需要顯示一個變量在不同類別下的分布情況，可以將它們分別畫在不同的小提琴圖中進行比較。

import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid")

# Load the example dataset of brain network correlations
df = sns.load_dataset("brain_networks", header=[0, 1, 2], index_col=0)

# Pull out a specific subset of networks
used_networks = [1, 3, 4, 5, 6, 7, 8, 11, 12, 13, 16, 17]
used_columns = (df.columns.get_level_values("network")
                          .astype(int)
                          .isin(used_networks))
df = df.loc[:, used_columns]

# Compute the correlation matrix and average over networks
corr_df = df.corr().groupby(level="network").mean()
corr_df.index = corr_df.index.astype(int)
corr_df = corr_df.sort_index().T

# Set up the matplotlib figure
f, ax = plt.subplots(figsize=(11, 6))

# Draw a violinplot with a narrower bandwidth than the default
sns.violinplot(data=corr_df, bw_adjust=.5, cut=1, linewidth=1, palette="Set3")

# Finalize the figure
ax.set(ylim=(-.7, 1.05))
sns.despine(left=True, bottom=True)

熱力圖

import matplotlib.pyplot as plt
import seaborn as sns
sns.set_theme()

# Load the example flights dataset and convert to long-form
flights_long = sns.load_dataset("flights")
flights = (
    flights_long
    .pivot(index="month", columns="year", values="passengers")
)

# Draw a heatmap with the numeric values in each cell
f, ax = plt.subplots(figsize=(9, 6))
sns.heatmap(flights, annot=True, fmt="d", linewidths=.5, ax=ax)

多張圖合并

有時候需要一次畫多個圖，需要用到FacetGrid模塊。

import numpy as np
import pandas as pd
import seaborn as sns

sns.set_theme()

# Generate an example radial datast
r = np.linspace(0, 10, num=100)
df = pd.DataFrame({'r': r, 'slow': r, 'medium': 2 * r, 'fast': 4 * r})

# Convert the dataframe to long-form or "tidy" format
df = pd.melt(df, id_vars=['r'], var_name='speed', value_name='theta')

# Set up a grid of axes with a polar projection
g = sns.FacetGrid(df, col="speed", hue="speed",
                  subplot_kws=dict(projection='polar'), height=4.5,
                  sharex=False, sharey=False, despine=False)

# Draw a scatterplot onto each axes in the grid
g.map(sns.scatterplot, "theta", "r")