数据分析必备手册-Seaborn详细教程

  • seaborn库
    • 安装：
    • 官方文档：
  • 关系绘图
    • relplot
      • 1. 基本使用：
      • 2. 添加hue参数：
      • 3. 添加col和row参数：
      • 4. 指定具体的列：
      • 5. 绘制折线图：
  • 分类绘图
    • 1. 分类散点图：
      • 1.1. stripplot：
      • 1.2. swarmplot：
      • 1.3. 横向分类散点图：
    • 2. 分类分布图：
      • 2.1. 箱线图：
      • 2.2. 小提琴图：
    • 3. 分类统计图：
      • 3.1. 条形图：
      • 3.2. 柱状图：
      • 3.3. 点线图：
  • 分布绘图
    • 单变量分布：
    • 二变量分布：
      • 散点图：
      • 六边形图：
      • jointplot其他常用参数：
    • 成对绘图（pairplot）：
  • 线性回归绘图
  • FacetGrid结构图
    • 普通的Axes绘图：
    • FacetGrid基本使用：
    • 绘制多个图形：
    • 添加颜色观察字段：
    • 设置每个图形的尺寸：
    • 设置图例：
    • 设置标题：
    • 设置坐标轴：
    • `g.set`方法：
    • `g.fig`：
  • 样式风格设置
    • 自带的样式：
    • 风格设置函数：
      • 1. `sns.axes_style`：
    • 2. `sns.set_style()`：
    • 3. `sns.set`：
  • 调色盘设置
    • 定性调色盘：
      • 1. 默认调色盘：
      • 2. hls圆形颜色系统：
      • 3. 分类颜色：
      • 4. 用xkcd颜色：
    • 连续的颜色盘：
    • 离散的色盘：
    • 官方文档：
  • Seaborn实例
    • 1. 有一组温度数据，按照时间和温度绘制折线图
    • 2. 有以下国家数据，根据时间绘制条形图
    • 3. 有链家网的数据，请按照以下要求实现绘图

seaborn库

Seaborn是一种基于matplotlib的图形可视化库。他提前已经定义好了一套自己的风格。然后也封装了一系列的方便的绘图函数，之前通过matplotlib需要很多代码才能完成的绘图，使用seaborn可能就是一行代码的事情。总结一句话：使用seaborn绘图比matplotlib更好看，更简单！

安装：

  1. 通过pip：pip install seaborn。
  2. 通过anaconda： conda install seaborn。

官方文档：

https://seaborn.pydata.org/tutorial.html

Seaborn用起来还是很方便！

关系绘图

relplot

这个函数功能非常强大，可以用来表示多个变量之间的关联关系。默认情况下是绘制散点图，也可以绘制线性图，具体绘制什么图形是通过kind参数来决定的。

实际上以下两个函数就是relplot的特例：

  1. scatterplot：relplot(kind='scatter')。
  2. lineplot：relplot(kind='line')。

1. 基本使用：

import seaborn as sns
tips = sns.load_dataset("tips",cache=True)
sns.relplot(x="total_bill",y="tip",data=tips)

效果图如下：

2. 添加hue参数：

hue参数是用来控制第三个变量的颜色显示的。比如我们在以上图的基础之上体现出星期几的参数，那么可以通过以下代码来实现：

sns.relplot(x="total_bill",y="tip",hue="day",data=tips)

效果图如下：

3. 添加col和row参数：

col和row，可以将图根据某个属性的值的个数分割成多列或者多行。比如在以上图的基础之上我们想要把Lunch(午餐)和Dinner(晚餐)分割成两个图来显示，那么可以通过以下代码来实现：

sns.relplot(x="total_bill",y="tip",hue="day",col="time",data=tips)

效果图如下：

也可以再在row上添加一个新的变量，比如把性别按照行显示出来，代码如下：

sns.relplot(x="total_bill",y="tip",hue="day",col="time",row="sex",data=tips)

效果图如下：

4. 指定具体的列：

有时候我们的图有很多，默认情况下会在一行中全部展示出来，那么我们可以通过col_wrap来指定具体多少列。示例代码如下：

sns.relplot(x="total_bill",y="tip",col="day",col_wrap=2,data=tips)

效果图如下：

5. 绘制折线图：

relplot通过设置kind="line"可以绘制折线图。并且他的功能比plt.plot更加强大。plot只能指定具体的x和y轴的数据（比如x轴是N个数，y轴也必须为N个数）。而relplot则可以在自动在两组数据中进行计算绘图。示例代码如下：

fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint",y="signal",kind="line",data=fmri)

效果图如下：

当然也可以添加其他的参数，用来控制整个图的样式和结构。示例代码如下：

# 设置hue为event，就会根据event来绘制不同的颜色
# 设置col为region，就会根据region值的个数来绘制指定个数的图
# 设置style为event，就会根据event来设置线条的样式
sns.relplot(x="timepoint",y="signal",kind="line",hue="event",col="region",style="event",data=fmri)

效果图如下：

分类绘图

分类图的绘制，采用的是sns.catplot来实现的。cat是category的简写。这个方法默认绘制的是分类散点图，如果想要绘制其他类型的图，同样也是通过kind参数来指定。并且分类绘图中，分成分类散点图，分类分布图，分类统计图。

1. 分类散点图：

分类散点图比较适合数据量不是很多的情况，他是用catplot来实现，但是也有以下两个特别的方法。

  1. stripplot()：catplot(kind="strip")，默认的。
  2. swarmplot()：catplot(kind="swarm")。

1.1. stripplot：

示例代码如下：

sns.catplot(x="day",y="total_bill",data=tips,hue="sex")

示例图如下：

1.2. swarmplot：

以上图展示的是按照星期几的分类散点图，看起来这些点有点重合，如果想要散开来，那么可以使用catplot(kind="swarm")。示例代码如下：

sns.catplot(x="day",y="total_bill",kind="swarm",data=tips,hue="sex")

catplot方法不能使用size和style参数。

1.3. 横向分类散点图：

想要将垂直的分类散点图变成横向的，只需要把x和y对应的值进行互换即可。

sns.catplot(y="day",x="total_bill",kind="swarm",data=tips,hue="sex")

效果图如下：

2. 分类分布图：

分类分布图，主要是根据分类来看，然后在每个分类下数据的分布情况。也是通过catplot来实现，以下三个方法分别是不同的kind参数：

  1. boxplot()：catplot(kind="box")。
  2. violinplot()：catplot(kind="violin")。

2.1. 箱线图：

示例代码如下：

athletes = pd.read_csv("athlete_events.csv")
countries = {'CHN':'中国','JPN':"日本",'KOR':'韩国','USA':"美国",'CAN':"加拿大",'BRA':"巴西",'GBR':"英国",'FRA':"法国",'ITA':"意大利",'ETH':"埃塞俄比亚",'KEN':"肯尼亚",'NIG':"尼日利亚",
}
plt.rcParams['font.sans-serif'] = ['FangSong']
# print(plt.rcParams.keys())
need_athletes = athletes[athletes['NOC'].isin(list(countries.keys()))]
g = sns.catplot(x="NOC",y="Height",data=need_athletes,kind="box",hue="Sex")
g.fig.set_size_inches(20,5)
g.set_xticklabels(list(countries.values()))

效果图如下：

2.2. 小提琴图：

小提琴实际上就是两个对称的核密度曲线合并起来，然后中间是一个箱线图（也可以为其他图）组成的。通过小提琴图可以看出数据的分布情况。

示例代码如下：

sns.catplot(x="day",y="total_bill",data=tips,kind="violin",hue="sex",split=True)

效果图如下：

小提琴的中间默认绘制的是箱线图，也可以修改为其他类型的。可以通过inner参数修改，这个参数有以下几个选项：

  1. box：默认的，箱线图。

  2. quartile：四分位数。上下四分位数加中位数。

  3. point：散点。

  4. stick：线条。

3. 分类统计图：

分类统计图，则是根据分类，统计每个分类下的数据的个数或者比例。有以下几种方式：

  1. barplot()：catplot(kind="bar")。
  2. pointplot()：catplot(kind="point")。
  3. countplot()：catplot(kind="count")。

3.1. 条形图：

seaborn中的条形图具有统计功能，可以统计出比例，平均数，也可以按照你想要的统计函数来统计。

示例代码如下：

1. 统计平均数：

# 统计星期三到星期天的消费总额的平均数
sns.catplot(x="day",y="total_bill",data=tips,kind="bar")

2. 统计比例：

 # 统计男女中获救的比例sns.catplot(data=titanic,kind="bar",x="sex",y="survived")

3. 自定义统计函数：

 # 自定义统计函数，统计出每个性别下获救的人数sns.barplot(x="sex",y="survived",data=titanic,estimator=lambda values:sum(values))

3.2. 柱状图：

柱状图是专门用来统计某个单一变量出现数量的图形。示例代码如下：

sns.catplot(x="sex",data=titanic,kind="count")

也可以通过使用hue参数来指定分组：

sns.catplot(x="day",kind="count",data=tips,hue="sex")

3.3. 点线图：

点线图可以非常方便的看到变量之间的趋势变化。示例代码如下：

sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")

效果图如下：

分布绘图

分布绘图分为单一变量分布，多变量分布，成对绘图。以下进行讲解。

单变量分布：

单一变量主要就是通过直方图来绘制。在seaborn中直方图的绘制采用的是distplot，其中dist是distribution的简写，不是histogram的简写。

示例代码如下：

sns.set(color_codes=True)
titanic = sns.load_dataset("titanic")
titanic = titanic[~np.isnan(titanic['age'])]
sns.distplot(titanic['age'])

效果图如下：

有以下常用参数：

  1. kde（核密度曲线）：这个代表是否要显示kde曲线，默认是显示的，如果显示kde曲线，那么y轴表示的就是概率，而不是数量。也可以设置为False关掉。

示例代码如下：

 sns.distplot(titanic['age'],kde=False)

  1. bins：代表这个直方图显示的数量。也可以通过自己设置。

示例代码如下：

 sns.distplot(titanic['age'],bins=30)

  1. rug：代表是否需要显示底部的胡须下线，下面的胡须线越密集的地方，说明数据量越多。

示例代码如下：

 sns.distplot(titanic['age'],rug=True)

二变量分布：

多变量分布图可以看出两个变量之间的分布关系。一般都是采用多个图进行表示。

多变量分布图采用的函数是jointplot。

散点图：

示例代码如下：

tips = sns.load_dataset("tips")
g = sns.jointplot(x="total_bill", y="tip", data=tips)

效果图如下：

通过设置kind='reg'可以设置回归绘图和核密度曲线。

示例代码如下：

g = sns.jointplot(x="total_bill", y="tip", data=tips,kind="reg")

效果图如下：

六边形图：

对于一些数据量特别大的数据，用散点图不太利于观察，比如查看奥运会中国运动员的身高和体重分布情况，如果用散点图将会是以下的效果：

athletes = pd.read_csv("athlete_events.csv")
china_athletes = athletes[athletes['NOC']=='CHN']
sns.jointplot(x="Height",y="Weight",data=china_athletes)

针对这种数据量比较大的情况，可以采用六边形图来绘制，也就是将之前的散点变成六边形，六边形有一个区间大小，之前这些点落在这个六边形中越多颜色越深。

示例代码如下：

sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex")

默认情况，在x轴的区间内，可以展示100个六边形，所以默认情况下六边形的尺寸会比较小，如果想要展示得更大一点，那么可以设置减少六边形的个数，通过gridsize设置。

示例代码如下：

sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex",gridsize=20)

更多请参考：

jointplot其他常用参数：

  1. x,y,data：绘制图的数据。
  2. kind：scatter、reg、resid、kde、hex。
  3. color：绘制元素的颜色。
  4. height：图的大小，图会是一个正方形。
  5. ratio：主图和副图的比例，只能为一个整形。
  6. space：主图和副图的间距。
  7. dropna：是否需要删除x或者y值中出现了NAN的值。
  8. marginal_kws：副图的一些属性，比如设置bins、rug等。

成对绘图（pairplot）：

pairplot可以把某个数据集中某几个字段之间的关系图一次性绘制出来。比如iris鸢尾花数据，我们想要看到petal_width、petal_height、sepal_width以及sepal_height之间的关系，那么我们就可以通过pairplot来绘制。

示例代码如下：

sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'])

效果图如下：

默认情况下，对角线的图（x和y轴的列相同）是直方图，其他地方的图是散点图，如果想要修改这两种图，可以通过diag_kind和kind来实现。

其中这两个参数可取的值为：

  1. diag_kind：auto, hist, kde。
  2. kind：scatter, reg。

示例代码如下：

sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'],diag_kind="kde",kind="reg")

线性回归绘图

线性回归图可以帮助我们看到数据的关系趋势。在seaborn中可以通过regplot和lmplot两个函数来实现。regplot的x和y可以为Numpy数组、Series等变量。而lmplot的x和y则必须为字符串，并且data的值不能为空：

  1. regplot(x,y,data=None)。
  2. lmplot(x,y,data)。

示例代码如下：

sns.lmplot(x="total_bill",y="tip",data=tips)

也可以通过regplot来实现。示例代码如下：

sns.regplot(x=tips["total_bill"],y=tips["tip"])

更多请参考文档：https://seaborn.pydata.org/tutorial/regression.html

FacetGrid结构图

之前我们在绘图的时候，学了relplot、catplot、lmplot等，这些函数可以通过col、row等在一个Figure中绘制多个图。这些函数之所以有这些功能，是因为他们的底层使用了FacetGrid来组装这些图形。今天我们就来学习FacetGrid的使用。

普通的Axes绘图：

在学习FacetGrid绘图之前，先来了解一下，实际上seaborn的绘图函数中也有大量的直接使用Axes进行绘图的，凡是函数名中已经明确显示了这个图的类型，这种图都是使用Axes绘图的。

比如sns.scatterplot、sns.lineplot、sns.barplot等。Axes绘图可以直接使用之前matplotlib的一些方式设置图的元素。

示例代码如下：

fig,[ax1,ax2] = plt.subplots(2,1,figsize=(10,10))
sns.scatterplot(x="total_bill",y="tip",data=tips,ax=ax1)
sns.barplot(x="day",y="total_bill",data=tips,ax=ax2)

FacetGrid基本使用：

先创建一个FacetGrid对象，然后再调用这个对象的map方法。其中map方法的第一个参数是一个函数，后续map将调用这个函数来绘制图形。后面的参数就是传给这个函数的参数。

示例代码如下：

tips = sns.load_dataset("tips")
g = sns.FacetGrid(tips)
g.map(plt.scatter,"total_bill","tip")

效果图如下：

其中第一个参数是可以绘制Axes图，并且可以接收color参数的函数。可以取的值如下：

参数 描述 对应使用了FacetGrid函数
plt.plot/sns.lineplot 绘制折线图 sns.relplot(kind="line")
plt.hexbin 绘制六边形图形 sns.jointplot(kind="hex")
plt.hist 绘制直方图 sns.distplot
plt.scatter/sns.scatterplot 绘制散点图 sns.relplot(kind="scatter")
sns.stripplot 绘制分类散点图 sns.catplot(kind="strip")
sns.swarmplot 绘制散开来的分类散点图 sns.catplot(kind="swarm")
sns.boxplot 绘制箱线图 sns.catplot(kind="box")
sns.violinplot 绘制小提琴图 sns.catplot(kind="violin")
sns.pointplot 绘制点线图 sns.catplot(kind="point")
sns.barplot 绘制条形图 sns.catplot(kind="bar")
sns.countplot 绘制数量柱状图 sns.catplot(kind="count")
sns.regplot 绘制带有回归线的散点图 sns.lmplot

绘制多个图形：

FacetGrid可以通过col和row参数，来在一个Figure上绘制多个图形，其中col和row都是数据集中的某个列的名字。只要指定这个名字，那么就会自动的按照指定列的值的个数绘制指定个数的图形。

示例代码如下：

g = sns.FacetGrid(tips,col="day",col_wrap=2)
g.map(sns.regplot,"total_bill","tip")

效果图如下：

添加颜色观察字段：

可以通过添加hue参数来控制每个图中元素的颜色来观察其他的字段。

示例代码如下：

g = sns.FacetGrid(tips,col="day",hue="time")
g.map(sns.regplot,"total_bill","tip")

也可以通过hue_kws参数来添加hue散点的属性，比如设置散点的样式等。

设置每个图形的尺寸：

使用FacetGrid绘制出图形后，有时候我们想设置每个图形的尺寸或者是宽高比，那么我们可以通过在FacetGrid中设置height和aspect来实现，其中height表示的是每个图形的尺寸（默认是宽高一致），aspect表示的是宽度/高度的比例。

示例代码如下：

g = sns.FacetGrid(tips,col="day",row="time",height=10,aspect=2)
g.map(sns.regplot,"total_bill","tip")

效果图如下：

设置图例：

默认情况下，不会添加图例，我们可以通过g.add_legend()来添加图例。

示例代码如下：

g = sns.FacetGrid(tips,col="day",hue="time")
g.map(sns.regplot,"total_bill","tip")
g.add_legend()

另外还可以：

  1. 通过title来控制图例的标题。
  2. 通过label_order来控制图例元素的顺序。

示例代码如下：

sns.set(rc={"font.sans-serif":"simhei"})
g3 = sns.FacetGrid(tips,col="day",hue="time")
g3.map(plt.scatter,"total_bill","tip")
new_labels = ['午餐','晚餐']
g3.add_legend(title="时间")
for t,l in zip(g3._legend.texts,new_labels):t.set_text(l)

设置标题：

设置标题可以通过g.set_titles(template=None,row_template=None,col_template=None)来实现，这三个参数分别代表的意义如下：

  1. template：给图设置标题，其中有{row_var}：绘制每行图像的名称，{row_name}：绘制每行图像的值，{col_var}：绘制每列图像的名称，{col_name}：绘制每列图像的值这几个参数可以使用。
  2. col_template：给图像设置列的标题。其中有{col_var}以及{col_name}可以使用。
  3. row_template：给图像设置行的标题。其中有{row_var}以及{row_name}可以使用。

示例代码如下：

g = sns.FacetGrid(tips,col="day",row="time")
g.map(sns.regplot,"total_bill","tip")
g.set_titles(template="时间{row_name}/星期{col_name}")

设置坐标轴：

  1. g.set_axis_labels(x_var,y_var)：一次性设置x和y的坐标的标题。
  2. g.set_xlabels(label)：设置x轴的标题。
  3. g.set_ylabels(label)：设置y轴的标题。
  4. g.set(xticks,yticks)：设置x和y轴的刻度。
  5. g.set_xticklabels(labels)：设置x轴的刻度文字。
  6. g.set_yticklabels(labels)：设置y轴的刻度文字。

示例代码如下：

g.set(xticks=range(0,60,10),xticklabels=['$0','$10','$20','$30','$40','$50'])

效果图如下：

g.set方法：

g.set方法可以对FacetGrid下的每个子图Axes设置属性。其中可以设置的参数完全是根据Axes的属性来的。比如可以设置每个Axes的facecolor等。

关于Axes有哪些属性，请参考matplotlib.Axes的官方文档：https://matplotlib.org/api/axes_api.html?highlight=axes#matplotlib.axes.Axes。

g.fig：

通过g.fig，可以获取到当前的Figure对象。然后通过Figure对象再可以设置其他的属性，比如dip等。

样式风格设置

用seaborn绘图，比直接使用matplotlib绘图更加的美观。原因就是因为seaborn中已经将一些属性的样式进行了调整。我们可以直接使用，也可以修改他的样式。

自带的样式：

seaborn中自带了5种样式。分别是：

  1. white：纯白色的。

     sns.set_style("white")axes = sns.scatterplot(x="total_bill",y="tip",data=tips)

  1. whitegrid：带有网格的白色的。

     sns.set_style("whitegrid")axes = sns.scatterplot(x="total_bill",y="tip",data=tips)

  1. dark：灰色的。

     sns.set_style("dark")axes = sns.scatterplot(x="total_bill",y="tip",data=tips)

  1. darkgrid：带有网格的灰色的（网格线是白色的）。

     sns.set_style("darkgrid")axes = sns.scatterplot(x="total_bill",y="tip",data=tips)

  1. ticks：白色的，并且在轴上带有刻度条的。

     sns.set_style("ticks")axes = sns.scatterplot(x="total_bill",y="tip",data=tips)

风格设置函数：

在seaborn中，可以通过三个函数来设置样式。分别是sns.set_style、sns.axes_style以及sns.set方法。

以下对着三种方法进行讲解。

1. sns.axes_style：

sns.axes_style(style=None,rc=None)。
这个函数调用的时候如果不传递任何参数，那么将会返回可以设置的所有属性。有时候我们不知道什么属性可以设置，那么可以打印下这个函数的返回值：

sns.axes_style()

输入如下：

{'axes.facecolor': 'white','axes.edgecolor': 'black','axes.grid': False,'axes.axisbelow': 'line','axes.labelcolor': 'black','figure.facecolor': (1, 1, 1, 0),'grid.color': '#b0b0b0','grid.linestyle': '-','text.color': 'black','xtick.color': 'black','ytick.color': 'black','xtick.direction': 'out','ytick.direction': 'out','lines.solid_capstyle': 'projecting','patch.edgecolor': 'black','image.cmap': 'viridis','font.family': ['sans-serif'],'font.sans-serif': ['DejaVu Sans','Bitstream Vera Sans','Computer Modern Sans Serif','Lucida Grande','Verdana','Geneva','Lucid','Arial','Helvetica','Avant Garde','sans-serif'],'patch.force_edgecolor': False,'xtick.bottom': True,'xtick.top': False,'ytick.left': True,'ytick.right': False,'axes.spines.left': True,'axes.spines.bottom': True,'axes.spines.right': True,'axes.spines.top': True}

这个函数也可以用来设置样式，但是只能通过with语句调用。

示例代码如下：

with sns.axes_style("dark",{"ytick.left":True}):sns.scatterplot(x="total_bill",y="tip",data=tips)

2. sns.set_style()：

sns.set_style(style=None,rc=None)。
这个函数跟sns.axes_style一样，也是用来设置绘图风格。但是这个函数的风格设置，不是临时的，而是一旦设置了，那么下面的所有绘图都是用这个风格。

示例代码如下：

sns.set_style("darkgrid")
sns.scatterplot(x="total_bill",y="tip",data=tips)

3. sns.set：

sns.set(context='notebook', style='darkgrid', palette='deep', font='sans-serif', font_scale=1, color_codes=True, rc=None)。

set方法也是用来设置样式的，他的功能更加强大。除了style以外，还可以设置调色板，字体，字体大小，颜色等，也可以设置其他的matplotlib.rcParams可以接收的参数。

示例代码如下：

sns.set(rc={"lines.linewidth":4})
fmri = sns.load_dataset("fmri")
sns.lineplot(x="timepoint",y="signal",data=fmri)

效果图如下：

调色盘设置

seaborn可以非常迅速的做出优美的图形，其中就应该得力于他的调色盘机制。seaborn根据应用场景提供了三种不同类型的调色盘：定性的、连续的、发散的。

定性调色盘：

定性调色盘。一般在数据不连续，比较离散，想体现分类的情况下使用。在seaborn中，使用sns.color_palette来创建调色盘。

1. 默认调色盘：

在seaborn中，默认情况下就设置了一些颜色供绘图使用。使用sns.color_palette即可获取。并且我们可以通过sns.palplot来绘制调色盘。

示例代码如下：

current_palette = sns.color_palette()
sns.palplot(current_palette)

效果图如下：

默认的调色盘有10种颜色。这些颜色都有6种风格。分别是：deep，muted，pastel， bright，dark，colorblind。这几种风格的颜色不变，主要调整的是亮度和饱和度。

current_palette = sns.color_palette("dark")
sns.palplot(current_palette)

2. hls圆形颜色系统：

hls圆形颜色系统是颜色按照顺序，经过偏移，无缝形成一个圆形。我们在使用这个调色盘的时候，可以指定需要使用多少种颜色。

示例代码如下：

# 使用hls圆形颜色系统，取20个颜色
sns.palplot(sns.color_palette("hls",20))

也可以使用另外一个函数sns.hls_palette(n_colors=6, h=0.01, l=0.6, s=0.65)来实现。这个函数可以传递更多的参数。比如我们可以通过更改hue来更改开始的颜色，通过更改l来调整亮度，通过更改s来调整饱和度。

示例代码如下：

sns.palplot(sns.hls_palette(10,h=0.4,l=0.4,s=0.5))

另外也可以通过sns.husl_palette来实现色系的调整，这个方法比sns.hls_palette亮度和饱和度更加的均匀。

sns.palplot(sns.husl_palette(10))

3. 分类颜色：

分类颜色是seaborn已经提前给你定义了一些颜色，使用这些颜色在做分类分组的时候可以按照自己的需求选择。

示例代码如下：

sns.palplot(sns.color_palette("Paired"))

关于分类的颜色选择，可以通过sns.choose_colorbrewer_palette("qualitative")来查看。这个方法只能用在jupyter notebook中。可以选择不同的样式，然后还可以调节饱和度等。

效果图如下：

4. 用xkcd颜色：

xkcd是一个漫画名称或者是工作室。xkcd开展了一项众包活动，为随机的RGB颜色命名。这产生了一组954种命名颜色。我们可以从sns.xkcd_palette里面提取颜色。提取到后，如果想要用在palette参数中，那么还需要放到sns.xkcd_palette中。所有的xkcd颜色的名称可以参考官网：https://xkcd.com/color/rgb/。

示例代码如下：

# 获取名字为blue green的颜色
print(sns.xkcd_rgb["blue green"])
# 用xkcd的颜色名称构建一个palette对象
colors = ["windows blue", "amber", "greyish", "faded green", "dusty purple"]
sns.palplot(sns.xkcd_palette(colors))

连续的颜色盘：

有时候我们绘图的时候，想要使用一个同种色系，但是不同深浅，这时候就可以使用连续的颜色盘。

示例代码如下：

sns.palplot(sns.color_palette("Blues"))

默认颜色是从浅入深，如果想要从深变浅，那么可以在色系后加一个_r。

示例代码如下：

sns.palplot(sns.color_palette("Blues_r"))

我们也可以通过sns.choose_colorbrewer_palette("sequential")查看有哪些色系可供选择。

效果图如下：

离散的色盘：

离散的色盘，是两边的颜色逐渐加深，中间的颜色最淡。或者是中间的颜色最深，两边的颜色最淡。一般离散的色盘可以用于比如温度，零度以上可以用红色表示，零度以下用蓝色表示。越红的地方，表示温度越高，越蓝的地方，表示温度越低。

示例代码如下：

values = [12,15,17,18,-5,-10]with sns.color_palette("RdBu_r"):    sns.barplot([1,2,3,4,5,6],sorted(values))

也可以通过sns.choose_colorbrewer_palette("diverging")查看离散的色盘有哪些可以选择。

还可以通过sns.diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6, center='light', as_cmap=False)来自定义离散色盘。在这里不再做过多讲解。

官方文档：

https://seaborn.pydata.org/tutorial/color_palettes.html。

Seaborn实例

1. 有一组温度数据，按照时间和温度绘制折线图

bj_temps = [29,27,23,22]
bj_hours = ["20时","23时","2时","5时"]
plt.figure(figsize=(5,2))
axes = sns.lineplot(range(0,4),bj_temps,marker="o")
axes.set_xticks(range(0,4))
axes.set_xticklabels(bj_hours)

效果图如下：

2. 有以下国家数据，根据时间绘制条形图

legals = pd.read_csv("../法人人数年度数据.csv",encoding='GB18030')
temp_legals = legals[1:11]# 清理数据
new_legals = pd.DataFrame()
for index in temp_legals.index:row_values = temp_legals.loc[index]for x in range(2009,2018):year = "%d年"%xseries = pd.Series({"指标":row_values['指标'],'年份':year,"数量":row_values[year]})new_legals = pd.concat([new_legals,series.to_frame().T])
new_legals.reset_index(drop=True,inplace=True)# 开始绘图
plt.figure(figsize=(20,5))
sns.barplot(x="年份",y="数量",hue="指标",data=new_legals)
plt.legend(ncol=4)

3. 有链家网的数据，请按照以下要求实现绘图

  1. x轴是Region（行政区），y轴是每个区的平均每平米的单价，绘制条形图。x轴是Region（行政区），y轴是每平米的单价，绘制箱线图。x轴是Region，y轴是每平米的单价，绘制swarm图。以上三个图需要绘制在一个figure上。

    lianjia = pd.read_csv("../lianjia.csv",encoding='utf-8')
lianjia['UnitPrice'] = lianjia['Price']/lianjia['Size']
house_mean = lianjia.groupby('Region')['UnitPrice'].mean().sort_values(ascending=False).to_frame().reset_index()fig,axes_arr = plt.subplots(3,1,figsize=(20,15))
sns.barplot(x="Region",y="UnitPrice",data=house_mean,ax=axes_arr[0])
sns.boxplot(x="Region",y="UnitPrice",data=lianjia,ax=axes_arr[1])
sns.swarmplot(x="Region",y="UnitPrice",data=lianjia,ax=axes_arr[2])

  1. 使用FacetGrid绘制尺寸与单价的关系，并且区分有无电梯。

    fg = sns.FacetGrid(lianjia,col="Elevator",height=6,aspect=2)
fg.map(sns.regplot,"Size","UnitPrice")
fg.add_legend()

加油!

感谢!

努力!

【宝藏级】全网最全的Seaborn详细教程-数据分析必备手册（2万字总结）相关推荐

  1. 【宝藏级】全网最全的Matplotlib详细教程-数据分析必备手册（4.5万字总结）

    [宝藏级]全网最全的Matplotlib详细教程(4.5万字总结) 1. 数据分析中常用图 折线图: 柱状图: 直方图: 散点图: 饼状图: 箱线图: 更多参考: 2. Matplotlib库 安装: ...

  2. 【宝藏级】全网最全的Pandas详细教程（2万字总结）

    [回炉重造]Python之Pandas详细教程 前言 为什么要学习Pandas? 什么是Pandas? 1. Pandas的索引操作 1. Series和DataFrame中的索引都是Index对象 ...

  3. Win10基于python，spleeter 人声提取工具安装和使用（全网最全，超详细）

    Win10基于python,spleeter 音频分轨工具安装和使用(全网最全,超详细) 小声BB(不想看可直接跳到正片) 碎碎念(写给小白) 正片开始 说明 总体的框架 详细步骤 1.安装pytho ...

  4. 全网最全python实现数据挖掘，数据分析（matlablib，pandas，numpy，量化分析）（附源代码）

    全网最全python实现数据挖掘,数据分析(matlablib,pandas,numpy,量化分析)(附源代码) 1.横直方图电影票房 2.散点图3月与10月每天的天气 3.条形图电影票房 4.条形图 ...

  5. 太干了，全网最全的Matplotlib可视化教程

    导读 Matplotlib 是一个 Python 的 2D绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形.通过 Matplotlib,开发者可以仅需要几行代码,便可以生成绘图,直 ...

  6. 发现一个宝藏！全网最全的Python算法仓库！

    学习编程.学习Python最好的方式就是练习,哪怕是新手,只要不断地敲代码输出,肯定会有神效. Python的练手项目很多,特别是Github上,建议不管新手.老司机都去看看. 这里推荐给大家一个Gi ...

  7. MySql锁机制（全网最全、最详细、最清晰）

    1.MySql锁机制 锁机制的作用: 解决因为资源共享,而造成的并发问题. 没有锁机制时: 例如一号用户和二号用户都要去买同一件商品(假如这件商品是一件衣服),一号用户手速稍微快了一些,于是就先买到了 ...

  8. 16.全网最全之docker详细安装文档

    Docker 官方文档地址:https://www.docker.com/get-started 中文参考手册:https://docker_practice.gitee.io/zh-cn/ 1.1 ...

  9. 可能是全网最全的Matplotlib可视化教程

    导读 Matplotlib 是一个 Python 的 2D绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形.通过 Matplotlib,开发者可以仅需要几行代码,便可以生成绘图,直 ...

最新文章

  1. linux 进程间 close-on-exec 机制 简介
  2. (转载)netstat -r查看路由表时Flags的含义
  3. [Android]动态加载/热部署框架汇总
  4. 利用WOFF模糊和电报渠道进行通信
  5. web前端技术分享：koa中间件是如何实现的？
  6. windows配置xhprof，PHP性能分析工具
  7. 关于LR录制时不能自动启动IE浏览器的解决方法
  8. 使用request获取访问者的真实IP
  9. nginx工作原理与配置
  10. 445端口不通经验总结
  11. OC门与OD门以及线与逻辑
  12. win7nodejs压缩包配置环境变量
  13. 什么软件测试卡路里,热量表（计算热量的仪表）_百度百科
  14. css3 图片圆形显示 如何CSS将正方形图片显示为圆形图片布局
  15. Kaiming He 何恺明
  16. 玩转python（一）——微信远程控制电脑
  17. 到底什么是5G CPE？
  18. linux电脑关机命令是什么问题,linux下正常关机之命令详解 -电脑资料
  19. 地理生物结业考_不到30天，初二学年地理、生物结业考试开考，老师们说……...
  20. 64qam用matlab实现 使用matlab进行64qam调制，如何添加星座图程序？

热门文章

  1. 详细SpringBoot教程之日志框架
  2. 高效工作准点下班|工作使用技巧分享一
  3. 什么是智慧物业？智慧社区物业管理有哪些内容？
  4. 户外直播遇到弱网信号差，此状态下如何保证流畅又高清画面传输？
  5. 关于AD(Altium Designer)-遇到Modified Polygon或者类似“引脚粘连”现象-2021-08-13
  6. 摩斯电码转换在线网站
  7. 为什么ChatGPT用强化学习而非监督学习？
  8. 如何科学地管理企业固定资产
  9. matlab车头时距,怎么知道自己的车头距离前面的车的距离
  10. 7 个优秀的 UI 交互动画技巧