Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。

Python中的一个制图工具库，可以制作出吸引人的、信息量大的统计图
在Matplotlib上构建，支持numpy和pandas的数据结构可视化。
多个内置主题及颜色主题
可视化单一变量、二维变量用于比较数据集中各变量的分布情况
可视化线性回归模型中的独立变量及不独立变量

import numpy as np
import pandas as pd
# from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns
# %matplotlib inline

数据集分布可视化

单变量分布 sns.distplot()

# 单变量分布
x1 = np.random.normal(size=1000)
sns.distplot(x1);x2 = np.random.randint(0, 100, 500)
sns.distplot(x2);

运行结果：

直方图 sns.distplot(kde=False)

# 直方图
sns.distplot(x1, bins=20, kde=False, rug=True)

运行结果：

核密度估计 sns.distplot(hist=False) 或 sns.kdeplot()

# 核密度估计
sns.distplot(x2, hist=False, rug=True)

运行结果：

双变量分布

# 双变量分布
df_obj1 = pd.DataFrame({"x": np.random.randn(500),"y": np.random.randn(500)})df_obj2 = pd.DataFrame({"x": np.random.randn(500),"y": np.random.randint(0, 100, 500)})

散布图 sns.jointplot()

# 散布图
sns.jointplot(x="x", y="y", data=df_obj1)

运行结果：

二维直方图 Hexbin sns.jointplot(kind=‘hex’)

示例代码：

# 二维直方图
sns.jointplot(x="x", y="y", data=df_obj1, kind="hex");

运行结果：

核密度估计 sns.jointplot(kind=‘kde’)

# 核密度估计
sns.jointplot(x="x", y="y", data=df_obj1, kind="kde");

运行结果：

数据集中变量间关系可视化 sns.pairplot()

# 数据集中变量间关系可视化
dataset = sns.load_dataset("tips")
#dataset = sns.load_dataset("iris")
sns.pairplot(dataset);

运行结果：

类别数据可视化

#titanic = sns.load_dataset('titanic')
#planets = sns.load_dataset('planets')
#flights = sns.load_dataset('flights')
#iris = sns.load_dataset('iris')
exercise = sns.load_dataset('exercise')

类别散布图

sns.stripplot() 数据点会重叠

sns.stripplot(x="diet", y="pulse", data=exercise)

运行结果：

sns.swarmplot() 数据点避免重叠，hue指定子类别

sns.swarmplot(x="diet", y="pulse", data=exercise, hue='kind')

运行结果：

类别内数据分布

盒子图 sns.boxplot(), hue指定子类别

示例代码：

# 盒子图
sns.boxplot(x="diet", y="pulse", data=exercise)
#sns.boxplot(x="diet", y="pulse", data=exercise, hue='kind')

运行结果：

小提琴图 sns.violinplot(), hue指定子类别

# 小提琴图
#sns.violinplot(x="diet", y="pulse", data=exercise)
sns.violinplot(x="diet", y="pulse", data=exercise, hue='kind')

运行结果：

类别内统计图

柱状图 sns.barplot()

示例代码：

# 柱状图
sns.barplot(x="diet", y="pulse", data=exercise, hue='kind')

运行结果：

点图 sns.pointplot()

# 点图
sns.pointplot(x="diet", y="pulse", data=exercise, hue='kind');

运行结果：

参考资料

http://seaborn.pydata.org/

数据可视化 | Seaborn相关推荐

Py之Seaborn：数据可视化Seaborn库的柱状图、箱线图(置信区间图)、散点图/折线图、核密度图/等高线图、盒形图/小提琴图/LV多框图的组合图/矩阵图实现
Py之Seaborn:数据可视化Seaborn库的柱状图.箱线图(置信区间图).散点图/折线图.核密度图/等高线图.盒形图/小提琴图/LV多框图的组合图/矩阵图实现目录
Py之seaborn：数据可视化seaborn库(二)的组合图可视化之密度图/核密度图分布可视化、箱型图/散点图、小提琴图/散点图组合可视化的简介、使用方法之最强攻略(建议收藏)
Py之seaborn:数据可视化seaborn库(二)的组合图可视化之密度图/核密度图分布可视化.箱型图/散点图.小提琴图/散点图组合可视化的简介.使用方法之最强攻略(建议收藏) 目录二.组合图可视 ...
Py之seaborn：数据可视化seaborn库(三)的矩阵图可视化之jointplot/JointGrid/pairplot/PairGrid/FacetGrid密度图等的函数源代码详解之最强攻略
Py之seaborn:数据可视化seaborn库(三)的矩阵图可视化之jointplot/JointGrid/pairplot/PairGrid/FacetGrid折线图/柱状图+散点图/矩形密度图的 ...
Python数据可视化seaborn(五) -- 分类统计图
分类数据可视化 - 统计图 barplot() / countplot() / pointplot() import numpy as np import pandas as pd import ma ...
python画图怎么调色_数据可视化Seaborn从零开始学习教程（二）颜色调控篇
作者:xiaoyu 微信公众号:Python数据科学知乎:python数据分析师 Seaborn学习大纲 seaborn的学习内容主要包含以下几个部分: 风格管理绘图风格设置颜色风格设置绘图方 ...
python seaborn教程_数据可视化Seaborn从零开始学习教程（一）风格选择
作者:xiaoyu 微信公众号:Python数据科学知乎:python数据分析师最近在做几个项目的数据分析,每次用到seaborn进行可视化绘图的时候总是忘记具体操作.虽然seaborn的官方网站 ...
python颜色参数palette_python数据可视化seaborn（一）—— 整体样式与调色板
很久之前对seaborn有过一些涉及但是没有深入探究,这次有趁着有数据可视化的需求,就好好学一学 Seaborn其实是在matplotlib的基础上进行了更高级的API封装,从而使得作图更加容易,在 ...
Python数据可视化-seaborn Iris鸢尾花数据
首先介绍一下Iris鸢尾花数据集,内容摘自百度百科:Iris数据集是常用的分类实验数据集,由Fisher, 1936收集整理."Iris也称鸢尾花卉数据集,是一类多重变量分析的数据集.最近我 ...
数据分析~数据可视化-seaborn
详细介绍可以看seaborn官方API和example galler. 1 set_style( ) set( ) set_style( )是用来设置主题的,Seaborn有五个预设好的主题: d ...

数据可视化 | Seaborn

数据集分布可视化

单变量分布 sns.distplot()

直方图 sns.distplot(kde=False)

核密度估计 sns.distplot(hist=False) 或 sns.kdeplot()

双变量分布

类别数据可视化

类别散布图

类别内数据分布

类别内统计图

参考资料

数据可视化 | Seaborn相关推荐

最新文章

热门文章