python中seaborn库_GitHub - a13544835729/python-seaborn: python seaborn库基础用法

Seaborn

一.概念

1分组绘图

#比如说需要在一张图上绘制两条曲线，分别是南方和北方的气温变化，分别用不同的颜色加以区分。在seaborn中用hue参数控制分组绘图

2.分面绘图

#其实就是在一张纸上划分不同的区域，比如2*2的子区域，在不同的子区域上绘制不同的图形，在matplotlib中就是 add_subplot(2,2,1)，在seaborn中用col参数控制，col的全称是columns，不是color，如果辅助col_wrap参数会更好些。后来发现，col可以控制columns的子图，那么row可以控制rows的子图排列。

#如果需要分面绘图，应该使用seaborn的FacetGrid对象，seaborn的一般的绘图函数是没有分面这个参数的。

3.统计函数

#分组绘图的时候，会对分组变量先要用统计函数，然后绘图，比如先计算变量的均值，然后绘制该均值的直方图。统计绘图参数是 estimator，很多情况下默认是numpy.mean。在ggplot2中就大量使用了这种方法。如果不适用统计绘图，就需要先用pandas进行groupby分组汇总，然后用seaborn绘图，多此一举了。

二.图形分类

#在seaborn中图形大概分这么几类，因子变量绘图，数值变量绘图，两变量关系绘图，时间序列图，热力图，分面绘图等。

1.因子变量绘图

#在seaborn中图形大概分这么几类，因子变量绘图，数值变量绘图，两变量关系绘图，时间序列图，热力图，分面绘图等。

1.1箱线图boxplot

#箱线图提供有关数据位置的分散情况

#主要包含六个数据节点,分别是,上边缘,上四分位,中位数,下四分位,下边缘

#超出边界的为异常值

import seaborn as sns

#设置图样类型

sns.set_style('whitegrid')

#导入系统自带tips数据包

tips=sns.load_dataset('tips')

#绘制箱线图

ax=sns.boxplot(x=tips['total_bill'])

#竖着放的箱线图,也就是将x换成y

ax=sns.boxplot(y=tips['total_bill'])

#分组绘制箱线图,分组因子是day,在x轴不同位置绘制

ax=sns.boxplot(x='day',y='total_bill',data=tips)

#分组箱线图,分子因子是smoker,不同的因子用不同颜色区分,

#palette参数是调色板,hue参数是分子因子名称

ax=sns.boxplot(x='day',y='total_bill',hue='smoker',data=tips,palette='Set3')

#改变线宽,linewidth参数

ax=sns.boxplot(x='day',y='total_bill',hue='time',data=tips,linewidth=2.5)

tips.head(5)

.dataframe tbody tr th:only-of-type {

vertical-align: middle;

}

.dataframe tbody tr th {

vertical-align: top;

}

.dataframe thead th {

text-align: right;

}

total_bill

tip

sex

smoker

day

time

size

16.99

1.01

Female

Sun

Dinner

10.34

1.66

Male

Sun

Dinner

21.01

3.50

Male

Sun

Dinner

23.68

3.31

Male

Sun

Dinner

24.59

3.61

Female

Sun

Dinner

#改变x轴顺序,order参数

ax=sns.boxplot(data=tips,y='tip',x='time', order=["Dinner", "Lunch"])

#将数据的每一个变量都绘制一个箱线图,水平放置,参数orient ,参数palette决定样式

iris=sns.load_dataset('iris')

ax=sns.boxplot(data=iris,orient='h',palette='Set2')

#箱线图+有分布趋势的散点图

ax=sns.boxplot(x='day',y='total_bill',data=tips)

ax=sns.swarmplot(x='day',y='total_bill',data=tips,color='black')

1.2小提琴图violinplot

#小提琴图其实是箱线图与核密度图的结合，箱线图展示了分位数的位置，小提琴图则展示了任意位置的密度，通过小提琴图可以知道哪些位置的密度较高。在图中，白点是中位数，黑色盒型的范围是下四分位点到上四分位点，细黑线表示须。

#外部形状即为核密度估计（在概率论中用来估计未知的密度函数，属于非参数检验方法之一）。

#设置背景图

sns.set_style('whitegrid')

#绘制小提琴图

sns.violinplot(x='total_bill',data=tips)

#分组小提琴图,通过x轴分组

ax=sns.violinplot(data=tips,x='day',y='total_bill')

#通过hue分组小提琴图,相当于再分组

sns.violinplot(data=tips,x='day',y='total_bill',

hue='smoker',palette='muted')

#分组组合小提琴图,相当于将分组的小提琴图,各取一般组合

ax=sns.violinplot(data=tips,x='day',y='total_bill',

hue='smoker',palette='muted',split=True)

ax=sns.violinplot(x='time',y='tip',data=tips,order=['Dinner','Lunch'])

1.3散点图striplot

#seaborn中有两个散点图，一个是普通的散点图，另一个是可以看出分布密度的散点图。

#普通散点图

ax1 = sns.stripplot(x=tips["total_bill"],jitter=False)

#带分布密度的散点图

ax2=sns.swarmplot(x=tips['total_bill'])

#分组散点图,jiter设置抖动项

ax1 = sns.stripplot(y="total_bill",x='day',data=tips,jitter=False)

#x,y轴交换

ax1 = sns.stripplot(x="total_bill",y='day',data=tips)

#分组绘制,相当于分组后再分组,通过hue参数控制

ax=sns.stripplot(x="sex", y="total_bill",hue='day',

data=tips, jitter=True)

#分开绘制

ax=sns.stripplot(x="day", y="total_bill",hue='smoker',

data=tips, jitter=True,split=True)

#散点图+小提琴图 inner参数改变小提琴内部

ax=sns.stripplot(x="day", y="total_bill",hue='smoker',

data=tips, jitter=True)

ax=sns.violinplot(x='day',y='total_bill',data=tips,color='gray',inner=None)

1.4带分布的散点图swarmplot

#swarmplt的参数和用法和stripplot的用法是一样的，只是表现形式不一样而已。

#单个散点图

ax=sns.swarmplot(tips['total_bill'])

#分组散点图

ax=sns.swarmplot(data=tips,y='total_bill',x='day')

1.5直方图barplot

#直方图的统计函数，默认绘制的是变量的均值 estimator=np.mean

#参数ic 取消直方图上方的置信度线

ax=sns.barplot(data=tips,x='day',y='total_bill',ci=0)

#分组直方图

ax=sns.barplot(data=tips,x='day',y='total_bill',ci=0,hue='sex')

#绘制变量中位数的直方图,estimator指定统计函数 ,

from numpy import median

ax=sns.barplot(data=tips,x='day',y='total_bill',ci=0,estimator=median)

#改变主题颜色 palette参数

ax=sns.barplot(data=tips,x='day',y='total_bill',

ci=0,estimator=median,palette='Blues_d')

1.6计数的直方图countplot

#对因子变量技术,然后绘制条形图

sns.set(style='darkgrid')

titanic=sns.load_dataset('titanic')

ax=sns.countplot(x='class',data=titanic)

# 分组绘图

ax = sns.countplot(x="class", hue="who", data=titanic)

#横放

ax = sns.countplot(y="class", hue="who", data=titanic)

titanic.head()

.dataframe tbody tr th:only-of-type {

vertical-align: middle;

}

.dataframe tbody tr th {

vertical-align: top;

}

.dataframe thead th {

text-align: right;

}

survived

pclass

sex

age

sibsp

parch

fare

embarked

class

who

adult_male

deck

embark_town

alive

alone

male

22.0

7.2500

Third

man

True

NaN

Southampton

False

female

38.0

71.2833

First

woman

False

Cherbourg

yes

False

female

26.0

7.9250

Third

woman

False

NaN

Southampton

yes

True

female

35.0

53.1000

First

woman

False

Southampton

yes

False

male

35.0

8.0500

Third

man

True

NaN

Southampton

True

1.7两变量关系图factorplot

#变量联合绘图

#绘制因子变量-数值变量的分布情况图

#用小提琴图反应 class-who 两变量的分布情形

g=sns.factorplot(data=tips,x='day',y='total_bill',hue='sex',kind='violin')

#不同的deck(因子)绘制不同的alive(数值),col为分子图绘制,col_wrap每行画4个子图

g=sns.factorplot(x='alive',col='deck',col_wrap=4,

data=titanic[titanic.deck.notnull()],

kind='count',size=2.5,aspect=.8)

2. 回归图

#回归图有两个

#lmplot： Plot data and regression model fits across a FacetGrid.

#regplot：Plot data and a linear regression model fit.

2.1线性回归图lmplot

#线性回归图

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

# 分组的线性回归图，通过hue参数控制

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

#分组绘图,不同的组用不同的形状标记

g = sns.lmplot(x="total_bill", y="tip",

hue="smoker", data=tips,markers=['^','x'])

#分开分组绘图

g = sns.lmplot(x="total_bill", y="tip",

col="smoker", data=tips)

#col+hue 双分组参数,即分组,又分子图绘图

g = sns.lmplot(x="total_bill", y="tip",hue='day',

col="day", data=tips,aspect=.4)

# 分组绘制，控制size尺寸

g = sns.lmplot(x="total_bill", y="tip", col="day", hue="day",

data=tips, col_wrap=2, size=3)

2.2逻辑回归图regplot

#绘制逻辑回归图

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

#控制散点的形状和颜色参数color,marker

ax = sns.regplot(x="total_bill", y="tip", data=tips,marker='+',color='r')

#控制回归的置信度,拟合直线的外面的面积有变化

ax = sns.regplot(x="total_bill", y="tip", data=tips,marker='+',color='g',ci=68)

3. 分布图

#拟合二次曲线通过参数order=2设置

#拟合一次曲线参数order=1

ans = sns.load_dataset("anscombe")

ax=sns.regplot(x='x',y='y',data=ans.loc[ans.dataset=='II'],order=2)

4. 热力图

#热力图表示两两因子间的相关性

import numpy as np

import seaborn as sns

uniform_data=np.random.rand(10,12)

ax=sns.heatmap(uniform_data)

#改变颜色范围

ax=sns.heatmap(uniform_data,vmin=1,vmax=0)

# 绘制x-y-z的热力图，比如年-月-销量的热力图

flights=sns.load_dataset('flights')

flights = flights.pivot("month", "year", "passengers")

ax=sns.heatmap(flights)

#绘制热力图,将数值写到热力图上

ax=sns.heatmap(flights,annot=True,fmt='d')

5.数值分布绘图

5.1.直方图distplot

#绘制数值变量的密度分布图

#默认既绘制核密度曲线,也绘制直方图

#直方图hist=True，核密度曲线rug=True

sns.set(rc={'figure.figsize':(8,4)})

x=np.random.randn(100)

ax=sns.distplot(x)

#只绘制核密度曲线,不绘制直方图

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

5.2.双变量关系图 jointplot

#多变量联合,kind参数可以使用不同的图形反应两变量的关系，比如点图，线图，核密度图。

sns.set(style='white')

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

# 通过kind参数，除了绘制散点图，还要绘制拟合的直线，拟合的核密度图

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

python中seaborn库_GitHub - a13544835729/python-seaborn: python seaborn库基础用法相关推荐

Python中的图像处理（第九章）Python图像增强
Python中的图像处理(第九章)Python图像增强前言一. Python准备二. Python仿真三. 小结前言随着人工智能研究的不断兴起,Python的应用也在不断上升,由于Pyth ...
python中的counter()、elements()、most_common()和subtract()函数的用法
python中的counter().elements().most_common()和subtract()函数的用法 counter()方法: class collections.Counter([i ...
python中函数和方法的区别？Python编程判断当前获取的对象是函数还是方法
python中函数和方法的区别?Python编程判断当前获取的对象是函数还是方法目录
python中类方法与实例方法的区别-Python中的对象，方法，类，实例，函数用法分析...
本文实例分析了Python中的对象,方法,类,实例,函数用法.分享给大家供大家参考.具体分析如下: Python是一个完全面向对象的语言.不仅实例是对象,类,函数,方法也都是对象. class Foo ...
eval在python中是什么意思_如何在Python中使用eval ？
Python中的 eval是什么? 在Python中,我们有许多内置方法,这些方法对于使Python成为所有人的便捷语言至关重要,而eval是其中一种.eval函数的语法如下: eval(expres ...
python中for语句的使用_对Python中for复合语句的使用示例讲解
当Python中用到双重for循环设计的时候我一般会使用循环的嵌套,但是在Python中其实还存在另一种技巧--for复合语句. 简单写一个小程序,用于延时循环嵌套功能如下: #!/usr/bin/p ...
[转载] python中的且语句_简单探讨python中的语句和语法
参考链接: 在Python中解包:并行分配之外 python程序结构 python"一切皆对象",这是接触python听到最多的总结了.在python中最基层的单位应该就是对象了, ...
python中numpy数组的合并_基于Python中numpy数组的合并实例讲解
基于Python中numpy数组的合并实例讲解 Python中numpy数组的合并有很多方法,如 - np.append() - np.concatenate() - np.stack() - np. ...
python 中缩进的作用_缩进在Python中的作用有哪些？Python缩进案例分享
缩进通常是指在文档中缩进单词,空格或行以遵循文档的样式规则,或者可以用来解释编写文档或代码时应使用的距离或应使用的空格.不过缩进在Python中的作用有哪些?在Python中缩进是最独特的功能之一,可 ...
在python中的转义字符是什么_Python转义字符-Python转义字符表-Python转义字符的作用-在Python中如何输出转义字符-嗨客网...
Python转义字符教程在编程中有一些字符是打不出来的,比如换行,提示音,下一个制表位等等,于是程序语言的开发者就设计了转义序列(escape sequence)这种东西用来表达这些字符. 所谓转义 ...

python中seaborn库_GitHub - a13544835729/python-seaborn: python seaborn库基础用法

python中seaborn库_GitHub - a13544835729/python-seaborn: python seaborn库基础用法相关推荐

最新文章

热门文章