seaborn系列 (18) | 线性回归图regplot()

线性回归图

利用线性回归模型对数据进行拟合。

函数原型

seaborn.regplot(x, y, data=None,x_estimator=None, x_bins=None,x_ci='ci', scatter=True,fit_reg=True, ci=95, n_boot=1000,units=None, order=1, logistic=False,lowess=False, robust=False, logx=False,x_partial=None, y_partial=None,truncate=False, dropna=True,x_jitter=None, y_jitter=None, label=None,color=None, marker='o', scatter_kws=None,line_kws=None, ax=None)

参数解读

案例教程

案例代码已上传：Github地址

import seaborn as sns
import matplotlib.pyplot as plt
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
tips = sns.load_dataset("tips")
"""
案例1：
绘制双变量的线性关系
"""
sns.regplot(x="total_bill", y="tip", data=tips)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
np.random.seed(8)
mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
x, y = np.random.multivariate_normal(mean, cov, 80).T
"""
案例2：
构建随机数据，绘制双变量的线性关系
"""
sns.regplot(x=x, y=y, color="g")
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
np.random.seed(8)
mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
x, y = np.random.multivariate_normal(mean, cov, 80).T
x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var")
"""
案例3：
构建随机数据，并对数据Series，并指定x,y对应的变量名，绘制双变量的线性关系
"""
sns.regplot(x=x, y=y, marker="+")
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
np.random.seed(8)
mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
x, y = np.random.multivariate_normal(mean, cov, 80).T
x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var")
"""
案例4：
参考案例3，并设置ci=68:使用68%的置信区间，该区间对应于估计的标准误差
"""
sns.regplot(x=x, y=y, ci=68)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
tips = sns.load_dataset("tips")
"""
案例5：
根据数据的实际情况，指定按x轴进行分组，
并对x轴分组数据增加一些抖动(x_jitter=.1)
"""
sns.regplot(x="size", y="total_bill", data=tips, x_jitter=.1)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
tips = sns.load_dataset("tips")
"""
案例6：
根据数据的实际情况，指定按x轴进行分组，只显示每一分组数据的均值和置信区间
"""
sns.regplot(x="size", y="total_bill", data=tips,x_estimator=np.mean)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
np.random.seed(8)
mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
x, y = np.random.multivariate_normal(mean, cov, 80).T
x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var")
"""
案例7：
将连续变量绘制成不连续的区域
"""
sns.regplot(x=x, y=y, x_bins=4)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
ans = sns.load_dataset("anscombe")
"""
案例8：
拟合高阶多项式回归并阶段模型预测
"""
sns.regplot(x="x", y="y",data=ans.loc[ans.dataset == "II"],scatter_kws={"s": 80},order=2, ci=None, truncate=True)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
ans = sns.load_dataset("anscombe")
"""
案例9：
拟合稳健回归，不要置信区间
"""
sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "III"],scatter_kws={"s": 80},robust=True, ci=None)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
tips = sns.load_dataset("tips")
tips["big_tip"] = (tips.tip / tips.total_bill) > .175
"""
案例10：
拟合logistic 回归(logistic=True)，
对y轴数据进行抖动(y_jitter=.03)，
并进行适当的迭代(n_boot=500)
"""
sns.regplot(x="total_bill", y="big_tip", data=tips,logistic=True, n_boot=500, y_jitter=.03)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# 设置风格样式
sns.set(color_codes=True)
# 构建数据
tips = sns.load_dataset("tips")
"""
案例11：
使用log(x)拟合回归模型，并阶段模型预测
"""
sns.regplot(x="size", y="total_bill", data=tips,x_estimator=np.mean, logx=True, truncate=True)
plt.show()

案例地址

上述案例代码已上传：Github地址
Github地址https://github.com/Vambooo/SeabornCN

更多技术干货在公众号：数据分析与可视化学研社

seaborn系列 (18) | 线性回归图regplot()相关推荐

seaborn系列 (4) | 分类图catplot()
分类图分类图函数原型参数解读案例教程案例地址本篇是<Seaborn系列>文章的第4篇-分类图. 分类图分类图catplot() 解析: catplot() 分类图(它是下面8 ...
seaborn系列 (3) | 折线图lineplot()
折线图折线图函数原型参数解读案例教程案例地址折线图注意:数据一定是通过DataFrame中传送的函数原型 seaborn.lineplot(x=None, y=None, hue=No ...
python画残差图_seaborn回归图---回归模型图Implot、线性回归图regplot、线性回归残差图residplot...
回归图只要探讨两连续数值变量的变化趋势情况,绘制x-y的散点图和回归曲线. 1.lmplot seaborn.lmplot(x, y, data, hue=None, col=None, row=No ...
seaborn系列(1) | 关系类图relplot用法
本篇是<Seaborn系列>文章的第1篇. 关系类图relplot 关系类图函数原型参数解读案例教程案例地址关系类图 seaborn.relplot()解读注意:数据一定是通过 ...
如何用Seaborn描绘线图，分面网格关联图，密度图，连接图，热力图，线性回归图，分面网格绘图
事前准备请看之前的文章0o0! 线图 data = {'apple':[4,0,7,8],'orange':[3,5,6,7],'bananas':[6,4,5,3] } df = pd.DataFr ...
机器学习系列18：核函数
https://www.toutiao.com/a6700783341630652931/ 机器学习系列18:核函数让我们来考虑这样一个问题,现在给定一个数据集,让你划分出决策边界,该怎么办呢?数据 ...
ASP.NET MVC+EF框架+EasyUI实现权限管理系列(18)-过滤器的使用和批量删除数据(伪删除和直接删除)...
ASP.NET MVC+EF框架+EasyUI实现权限管理系列(18)-过滤器的使用和批量删除数据(伪删除和直接删除) 原文:ASP.NET MVC+EF框架+EasyUI实现权限管理系列(18)-过 ...
数据分析可视化常用图介绍以及相关代码实现（箱型图、Q-Q图、Kde图、线性回归图、热力图）
文章目录前言一.箱型图是什么? 1-1.箱型图介绍 1-2.箱型图的作用 1-3.实战二.Q-Q图是什么? 2-1.Q-Q图(分位数-分位数图:quantile-quantile plot)介绍 ...
Seaborn系列(三)：分布统计绘图(distribution)
Seaborn系列目录文章目录 1. 分布统计绘图API概述 2. displot单变量分布图(直方图.核密度.累积分布) 2.1 displot函数绘制单变量分布图 2.2 displot直方图k ...

seaborn系列 (18) | 线性回归图regplot()

目录

线性回归图

函数原型

参数解读

案例教程

案例地址

seaborn系列 (18) | 线性回归图regplot()相关推荐

最新文章

热门文章