机器学习python库--seaborn

seaborn简介

seaborn是基于matplotlib的数据集分布可视化库。它在matplotlib的基础上，进行了更高级的封装，从而使得绘图更加容易，不需要经过大量的调整，就能使图像变得精致。

seaborn的几个鲜明特点如下：

>绘图接口更加集成，可以通过少量的参数设置实现大量封装绘图。

>多数图表具有统计学含义，例如分布、关系、统计、回归等

>对pandas和numpy数据类型支持非常友好

>导入seaborn

seaborn的依赖库为numpy、pandas、matplotlib、scipy。

>import numpy as np

>import pandas as pd

>import seaborn as sns

>import matplotlib.pyplot as plt

>from scipy import stats,integrate

主要用于比较数据集中各变量的分布情况

数据集分布可视化------>单变量分布sns.displot()

sns.displot() 参数（rug:密度小柱状体；kde密度曲线）

import numpy as npimport pandas as pdfrom scipy import statsimport matplotlib.pyplot as pltimport seaborn as sns
x1 = np.random.normal(size=100)sns.distplot(x1, bins=20, kde=True, rug=True，                                              rug_kws = {'color':'y'},#设置数据频率分布颜色kde_kws = {'color':'k', 'lw':1, 'label':'KDE', 'linestyle':'--'},#设置密度曲线颜色、线宽、标注、 线hist_kws = {'histtype':'stepfilled', 'linewidth':1, 'alpha':1, 'color':'g'})# 设置箱子的风格、线宽、透明度、颜色# 风格包括：'bar'、'barstacked'、'step'、'stepfilled'

x2 = np.random.randint(0, 100, 500)

sns.distplot(x2, hist=False, rug=True)

sns.kdeplot(x2, shade=True)

sns.rugplot(x2)

1、深度了解Seaborn

1.1 鸢尾花识别

假设我们要创建一个智能手机应用程序，从智能手机拍摄的照片中自动识别花的种类。我们正在与一个数据科学家团队合作，该数据科学主管负责创建一个演示机器学习模型，测量花的萼片长度 (sepal length)，萼片宽度 (sepal width)，花瓣长度 (petal length) 和花瓣宽度 (petal width) 四个变量，并根据这些测量识别物种。

那么什么是萼片呢？萼片是花的最外一环。下图清晰指出花的萼片和花瓣。

我们的数据集里面包括三种类型的鸢尾花的测量，如下图

根据每种鸢尾花的四个数据 (萼片长/宽和花瓣长/宽)，我们最终目的是想正确的分类这三种花。但重中之重的第一步是数据处理，有了干净数据之后再来机器学习很容易。

但怎么处理数据有时候更像一门艺术而不像一门科学。接下来会从

1.检查数据
2.清理数据
3.测试数据

三方面来探索，在其过程中当然会借助 Seaborn.

即便是政府或银行，他们公布的数据也有错误。在花费太多时间分析数据之前，提早检查并修正这些错误能节省大量时间。一般来说，我们希望回答以下问题：

1.据格式有什么问题吗？
2.数据数值有什么问题吗？
3.数据需要修复或删除吗？

检查点1.数据格式
首先用 pandas 读取 csv 文件并将数据存成 DataFrame 格式。

iris_data = pd.read_csv( 'iris-data.csv',  na_values=['NA'] )

函数 read_csv() 里面用到的两个参数

第一个 filename 是读取 csv 文件名
第二个参数用来把 csv 里面空白处用 NaN 代替

此行代码将 csv 里的数据转成 pandas 里的数据表，命名为 iris_data。接着查看其前 10 个数据。

iris_data.head(10)

数据看起来是可用的 (大神 Hadley Wickhan 对干净数据的定义是，每一列代表一个特征；每一行代表一个样例)。

数据的第一行定义了列标题，标题的描述足以让我们了解每个列代表的内容 (萼片长度，萼片宽度，花瓣长度和花瓣宽度)，标题甚至给我们记录测量的单位 (cm, 厘米)

第一行之后的每一行代表一个花的观测数据：四个测量指标和一个类 (class)，它告诉我们花的种类。比如前 10 个都是山鸢尾花 (注意第 8 到 10 个的花瓣宽度没有数据，用 NaN 来表示)。

检查点2.数据统计

接下来，检查数据的分布可以识别异常值。我们从数据集的汇总统计数据开始。

iris_data.describe()

解释一下上表：

describe() 函数的产出每列数据的个数 (count)，均值 (mean)，标准差 (std)，最小值 (min) 25, 50 和 75 百分位数 (25%, 50%, 75%) 和最大值 (max)。50 百分位数也就是中位数 (median)。

从该表中看到几个有用的值。例如，我们看到缺少 5 条花瓣宽度的数据 (表里 count 那一行的萼片长度，萼片宽度和花瓣长度的个数都是 150 个，唯独花瓣宽度是 145 个)。

此外，这样的表给不了太多有用信息，除非我们知道数据应该在一个特定的范围 (如萼片长度的最小值是 0.055, 和它其他指标如均值和几个百分位数都不是量纲的，很有可能是测量错误)。

你说表中这些数字看起来是不是很枯燥，为什么不用直观的图呢？现在 seaborn 可以派上用场了。

sb.pairplot(iris_data.dropna(), hue='class')

上面 pairplot() 函数里

> 第一个参数 iris_data.dropna() 就是除去 NaN 的数据表，这么做原因很简单，图里不可能显示的出 NaN 值的。

> 第二个参数 hue = ‘class’ 就是根据类 (class) 下不同的值赋予不同的颜色 (hue 是色彩的意思)

让我们再回顾一下 iris_data 的前 10 行：

它有 5 列，前四列 (萼片长度，萼片宽度，花瓣长度和花瓣宽度) 可看成自变量，第五列 (类) 可看成变量。

配对图 (pairplot) 绘制前四列变量的关系图，而且用不同颜色区分不同的类下面的这四个变量。从上图可知，横轴纵轴都有四个变量，那么总共可以画出 16 (4*4) 张小图。

>对角线上的 4 张都是某个变量和自身的关系，用分布图 (dist plot)。

>非对角线的 12 张就是某个变量和另一个变量的关系，用散点图 (scatter plot)。比如第一行第二列的图描述的就是萼片长度 (看纵轴第一个 sepal_length_cm 字样) 和萼片宽度 (看横轴第二个 sepal_width_cm 字样)。

让再回顾「配对图」

从「配对图」中，我们可以迅速看出数据集上的一些问题：

1.图的右侧标注这五个类 (Iris-setosa, Iris-setossa, Iris-versicolor, versicolor, Iris-virginica)，但原本要分类的花只有三类 (Iris-setosa, Iris-versicolor, Iris-virginica)。这意味着在记录数据时可能会犯下一些错误。

2.在测量中有一些明显的异常值可能是错误的。

第二行的图 1-2-4 (或第二列的图1-2-4)，对于 Iris-setosa，一个萼片宽度 (sepal_width) 值落在其正常范围之外。

第一行后三张图 (或第一列后三张图)，对于 Iris-versicolor，几个萼片长度 (sepal_length) 值都接近零。

下一步我们的任务是要处理错误的数据。

修正点1.数据类型

问题：按理说鸢尾花应该只有三类，而图中显示有五类。

通过观察数据的标签，我们发现

忘记在 Iris-versicolor 之前添加 Iris-
在 Iris-setossa 中多打了一个 s

现在让我们使来修正这些错误。

>iris_data.loc[iris_data['class']=='versicolor','class']='Iris-versicolor'
>iris_data.loc[iris_data['class']=='Iris-setossa','class']='Iris-setosa'

>iris_data['class'].unique()

第一行将 versicolor 改为 Iris-versicolor；第二行将 Iris-setossa 改为 Iris-setosa；第四行用 unique() 函数 (unique 有唯一不重复的意思) 检验修改过的数据只有三类，更新后再画「配对图」。

sns.pairplot(iris_data.dropna(), hue='class')

完美！五个类减到三个类，而且名称正确，分别是 Iris-setosa, Iris-versicolor 和 Iris-virginica。

修正点2.异常值

修正异常值 (outliers) 是一件棘手的事情。因为我们很难判断异常值是否由测量误差引起，或者是不正确的单位记录数据，或者是真正的异常。如果我们决定排除任何数据，需要记录排除的数据并提供排除该数据的充分理由。由上节所知，我们有两种类型的异常值。

问题1：山鸢尾花的一个萼片宽度值落在其正常范围之外。

通过调查我们知道，山鸢尾花 (Iris-setosa) 的萼片宽度 (sepal_width_cm) 不可能低于 2.5 厘米。显然，这个记录是错误的，这种情况下最有效的方法是删除它而不是花时间查找原因。但是，我们仍需要知道有多少个类似这样的错误数据，如果很少删除它没有问题，如果很多我们需要查明原因

cond = (iris_data['class'] == 'Iris-setosa') & (iris_data['sepal_width_cm'] < 2.5)
iris_data.loc[cond]

上面代码是用数据表里的 loc[] 切片来找到类为 Iris-setoa 并且 sepal width 小于 2.5 的所有行。最后发现只有一个这样的数据，因此可以直接删除此数据。

去掉 Iris-setosa 里萼片宽度大于 2.5 厘米的数据，然后画出其条形图。

iris_data = iris_data.loc[~cond]
iris_data.loc[iris_data['class'] == 'Iris-setosa','sepal_width_cm'].hist()

从上面条形图也看到了再没有这个异常值 (小于 2.5 厘米的点)。

完美！现在所有的山鸢尾花的萼片宽度都大于 2.5 厘米

问题2：变色鸢尾花的几个萼片长度值接近于零。

所有这些接近零的 sepal_length_cm 似乎错位了两个数量级，好像它们的记录单位米而不是厘米。在经过了解，我们发现错误是因为忘记将这些测量值转换为厘米。

我们使用代码来修正这些错误。

cond = (iris_data['class'] == 'Iris-versicolor') & (iris_data['sepal_length_cm'] < 1.0)
iris_data.loc[cond]

>iris_data.loc[cond, 'sepal_length_cm'] *= 100.0

>iris_data.loc[iris_data['class'] == 'Iris-versicolor','sepal_length_cm'].hist()

从上面条形图也看到了再没有这五个异常值 (零点零几的点)。

完美！我们成功修正了这些异常值，要不然以后会 GIGO (Garbage In Garbage Out)

修正点3.缺失值

对了，我们还有些 NaN 这样的缺失值 (missing value)。通常我们有两种方式来处理这类数据。

删除 (deletion)
插补 (imputation)

在本例中删除不是理想的做法，特别是考虑到它们都在 Iris-setosa 下，如图：

所有缺失的值都属于 Iris-setosa类，直接删除可能会对日后数据分析带来偏差。此外，可以用插补方法，其最常见的方法平均插补 (mean imputation)。其做法就是“假设知道测量的值落在一定范围内，就可以用该测量的平均值填充空值”。

首先查看缺失值在 DataFrame 哪个位置
iris_data.loc[(iris_data['sepal_length_cm'].isnull())|
             (iris_data['sepal_width_cm'].isnull())|
             (iris_data['petal_length_cm'].isnull())|
             (iris_data['petal_width_cm'].isnull())]

上面代码里面 iris_data[A].isnull() 语句是找出 A 列中值为 NA 或 NaN 的行，而 “|” 是“或”的意思。因此上面整句话是找到萼片长度，萼片宽度，花瓣长度和花瓣宽度这四列下的所有含 NaN 的行数据，最后发现只有 5 行，而且 NaN 都来自花瓣宽度。

然后用 mean() 求出其宽度的平均值，用其将 NaN 值全部代替，最后打印出那 5 行插补后的 DataFrame。
>isSetosa=iris_data['class']=='Iris-setosa'
>average_petal_width=iris_data.loc[isSetosa,'petal_width_cm'].mean()
>iris_data.loc[isSetosa & >(iris_data['petal_width_cm'].isnull()),'petal_width_cm']=average_petal_width
>iris_data.loc[isSetosa & (iris_data['petal_width_cm']==average_petal_width)]

为了确保所有 NaN 值已被替换，再次用 iris_data[A].isnull() 语句来查看，出来的结果是一个只有列标题的空数据表。这表示表内已经没有 NaN 值了。

> iris_data.loc[(iris_data['sepal_length_cm'].isnull())|
             (iris_data['sepal_width_cm'].isnull())|
             (iris_data['petal_length_cm'].isnull())|
             (iris_data['petal_width_cm'].isnull())]

经过了修正类别、异常值和缺失值后，最后来看看基于干净数据画的「配对图」吧。

sns.pairplot( iris_data,  hue='class' )

从上图可看到：

五个类变成三个类
异常值全部被删除
缺失值全部被插补

图整洁了，数据也干净了，之后可以用来做机器学习。

如果你不喜欢我自定义的配色的话，你可以随意用

用 set_style() 选五种风格：darkgrid, whitegrid, dark, white 和 ticks .

用 set_palette() 六种调色盘：deep, muted, pastel, bright, dark 和 colorblind

首先将风格初始化成 ticks。

sns.set(style='ticks')

1.2 无标签的图

假设我们不知道数据标签是什么 (无监督学习里的聚类问题)，那么画出来的「配对图」是单色调的

sns.pairplot( iris_data );

对角线上的图是直方图 (histgram)，非对角线上的散点图没有被不同的颜色区分。我们可以用 K-mean 聚类来得到 K 个不同簇，再和本身有的标签比对，看看聚类的效果如何 (在之后的 sklean 那贴再细讲)。

1.3 带标签的图

如果我们知道数据标签 (有监督学习里的分类问题)，那么画出来的「配对图」是多色调的，只需把 hue 变量设置成 DataFrame 数据里的标签名。

sns.pairplot( iris_data, hue='class' );

当细分了标签后，对角线图就是分布图 (distplot)，本例有三类，因此有三个分布。非对角线图还是散点图，只不过由不同颜色区分不同类别。

1.4 设置色板

将风格设置为 dark (背景变成灰色)，色板设置成 husl。

sns.set_style('dark')
sns.pairplot( iris_data, hue='class', palette='husl' );

husl 其实就是一个色彩系统，取 10 个样本颜色展示如下：

sns.palplot( sns.color_palette('husl',10) )

1.5 设置标记

将风格设置为 darkgrid (背景变成带网格的灰色)，色板设置成 colorblind 为色盲用户着想，甚至将不同类用圆形 (o)、正方形 (s) 和方块 (D) 来标记。

sns.set_style('darkgrid')
sns.set_palette('colorblind')
sns.pairplot( iris_data, hue='class',
markers=['o','s','D'] );

1.6 子集图

如果我们不想展示所有变量之间的关系图，我们可以选择子集图。

将风格设置为 whitegrid (背景变成带网格的白色)，并将横轴和纵轴赋予相同的子集变量 (都是 vars)。

sns.set_style('whitegrid')
sns.pairplot( iris_data, vars=['sepal_width_cm', 'sepal_length_cm'] );

将风格设置为 white (背景变成白色)，并将横轴和纵轴赋予不同的子集变量 (x_vars 和 y_vars)。

sns.set_style('white')
sns.pairplot( iris_data,
              x_vars=['sepal_width_cm',
                      'sepal_length_cm'],
              y_vars=['petal_width_cm',
                      'petal_length_cm']);

1.7 线性回归图

pairplot() 除了画出变量之间的关系图，通过设置里面参数 kind = ‘reg’，还可在非对角图上对那些散点做线性回归。

sns.set_style('ticks')
sns.set_palette('dark')
sns.pairplot( iris_data, kind='reg' );

有个细节：色板设置成 dark，颜色顿时暗淡了许多 (深蓝)。

1.8 核密度图

pairplot() 除了画出变量之间的关系图，通过设置里面参数 diag_kind = ‘kde’，还可在对角图上对那些直方图的点做核密度估计 (KDE, kernel density estimation)，该技巧在做平滑数据时用到。

sns.set_palette('bright')
sns.pairplot( iris_data, diag_kind='kde' );

有个细节：色板设置成 bright，颜色顿时明亮了许多 (浅蓝)。

2 广度了解Seaborn

在本节中我们用 Seaborn 提供了内置数据集 Titantic 来展示

条形图 (barplot)
计数图 (countplot)
点图 (pointplot)
箱形图 (boxplot)
小提琴图 (violinplot)

然后用 Iris 数据来展示

箱形水平图 (boxplot h)
双变量分布图 (jointplot)

首先加载 Titanic 的数据。

titanic = sns.load_dataset("titanic")
titanic.head(3).append(titanic.tail(3))

Titanic 数据集是非常适合数据科学和机器学习新手入门练习的数据集，它包含 1912 年泰坦尼克号沉船事件中一些乘客的个人信息以及存活状况。点击下图看该数据集的变量解释。

还是用引言中自定义的调色板。

sns.set_palette( color )
sns.palplot( sns.color_palette(color,11) )

3.加载样本数据

seaborn除了画图之外，还附带了样本数据集，所有数据集均为csv格式，数据集默认存放在线上，地址为https://github.com/mwaskom/seaborn-data。

3.1获取样本数据地址seaborn.get_data_home()

函数签名为seaborn.get_data_home(data_home=None)。

返回值为样本数据集的缓存地址。这个用于seaborn.load_dataset()。

3.2加载数据集seaborn.load_dataset()

3.2.1 默认从网络加载数据集。

函数的签名为seaborn.load_dataset(name,cache=True,data_home=None,**kws)。

函数的参数为：

> name：数据集的名称，对应https://github.com/mwaskom/seaborn-data中name.csv。字符串。

> cache：是否从网络下载数据集。布尔值。可选参数。当取值为True时，首选从本地缓存加载数据，如果下载数据会将数据缓存在本地。

> data_home：缓存目录。字符串，可选参数。默认值为None，即get_data_home()。

> kws：传递给pandas.read_csv()的附加参数。键值对，可选参数。

返回值为pandas.DataFrame。

3.2.2加载本地数据集

由于数据集默认从github下载，由于网络不稳定或者没有网络，所以直接访问数据集可能不方便，因此加载本地数据集比较灵活。

加载本地数据集的步骤如下：

1、直接从https://github.com/mwaskom/seaborn-data 下载数据集。
2、将数据集保存在同一个目录中，比如D:\seaborn-data。
3、加载数据时，设置load_dataset函数的cache参数为True，data_home参数为D:\seaborn-data。即sns.load_dataset('iris',data_home=r'D:\seaborn-data',cache=True)

3.2.3加载自定义数据集

除了seaborn附带的数据集，也可以自己创建数据。

根据load_data()函数概述可知，其原理就是利用pandas.read_csv()函数读取csv文件，因此，只要数据最终被转换为DataFrame格式即可。