Python可视化数据------seaborn
可以看链接:https://blog.csdn.net/unixtch/article/details/78820654
1、import seaborn as sns
2、seaborn的主题风格(5种):如黑底、白底、要格子、不要格子等。sns.set_style("dark")
(1)sns.set():想使用seaborn默认样式可以采用set函数,
(2)seaborn预先定义了5中主题样式,以适合不同场景需要,分别是:darkgrid, whitegrid, dark, white, 和ticks,默认是darkgrid。
(3)sns.despine(left=True):默认值将上面和右边的轴去掉。然后left的轴也被隐藏起来了
sns.despine(offset=10):将图与轴之间距离设置10,即从10距离处才画图
(4)想要多个子图不同风格可以用 with sns.axes_style
plt.subplot(211)的风格为darkgrid,plt.subplot((212)不一样
with sns.axes_style('darkgrid'):plt.subplot(211)plt.plot(x,y)plt.show() plt.subplot((212) plt.plot(x,y) plt.show()
3、seaborn的图样式(4种):sns.set_context("paper")
seaborn预定义了4种图表的样式定义,分别是:paper(小)、talk(大)、poster(较大)、notebook(更大),默认是notebook
(1)sns.set_context("notebook",font_scale=1.5,rc={"lines.linewidth":2.5})
轴的字体大小设置为1.5,线的宽度为2.5
4、调色板
(1)color_palette()能传入任何Matplotlib所支持的颜色,不写参数则默认颜色
(2)set_palette(),设置所有图的颜色。
(3)使用xkcd设置颜色命名:sns.skcd_rgb['名字']
5、分布图:
(1)绘制单变量的数据分布图:distplot()
①数据分布情况:sns.distlpot(x,kde=False,fit=stats.gamma)【fit参数使用了gamma分布拟合】
(2)散点图:sns.jointplot(x='x标签名字',y='y标签名字',data=df))【该函数可以把两个变量之间的散点图关系画出来,还会把自身的柱状图画出来】
(3)六边图:sns.jointplot(kind="hex"):该图可以看出数据量分布情况,常用在数据量较大的情况,颜色越深表示数据量多。
(4)回归分析图:变量之间两两分析 sns.pairplot(数据名)
柱状图为变量自身的分析,散点图为两两之间的。
replot()和Implot()都可以绘制回归关系,推荐使用replot()
sns.regplot(x="size", y="tip", data=tips, x_jitter=.05):x_jitter=.05将离散点(分类值)进行一个小范围的波动,更利于画回归图。
(5)多变量分析图:stripplot(x=' ',y=' ',data =df)
重叠解决办法:加上jitter=True,将数据偏一下,易于观察。
swarmplot
- 与stripplot类似,只是数据点不会重叠 (适合小数据量)
(6)盒图:找离群点:sns.boxplot()
(7)小提琴图:violinplot()用于显示数据分布及其概率密度。
中间的黑色粗条表示四分位数范围,从其延伸的幼细黑线代表 95% 置信区间,而白点则为中位数。
(8)柱状图:sns.barplot(x,y,hue,data)
countplot 计数图
countplot 故名思意,计数图,可将它认为一种应用到分类变量的直方图,也可认为它是用以比较类别间计数差,调用 count 函数的 barplot。
(9)点图:pointplot()点图可以更好的描述变化差异。
(10)多层面板分类图:factorplot() 可以通过这个函数绘制以上几种图
(11)热度图:heatmap():显示数据趋势,常用的方式是:画出特征与特征之间的相关系数,然后放入heatmap中画出趋势观察。
heatmap(annot=True,fmt='d')annot参数是在颜色重显示数据,fmt是数据显示的格式,一般添加上。有很多参数,可以参考notebook文档。
转载于:https://www.cnblogs.com/Lee-yl/p/9059813.html
Python可视化数据------seaborn相关推荐
- Python可视化:Seaborn(二)
本文由 保一雄@科赛网 数据分析师 原创. Seaborn是一个很棒的可视化库,尤其是当数据维度很大时,它可以让我们用最少的代码去绘制一些描述性统计的图,便于找寻各维度变量之间的特征. 继上篇Pyth ...
- Python可视化数据画直线的几种方法
利用Python可视化数据主要是利用Numpy Matplotlib强大的绘图功能,还可以利用Pandas进行数据挖掘和数据分析 在学习的过程中发现了直线的画图方法有以下几种: 1. 直接plot法 ...
- Python可视化:Seaborn(三)
时间序列模型决定了预测的准确性,良好的可视化展示能为模型效果增益.Seaborn因其高兼容性和交互性,在时间序列数据可视化设计中独占优势. 我们选取科赛网上公开的1965-2016全球重大地震数据集, ...
- 01、python数据分析与机器学习实战——Python可视化库Seaborn
seaborn简介 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. seaborn基础 i ...
- 唐宇迪学习笔记4:Python可视化库——Seaborn
目录 一.整体布局风格设置 五种主题风格 1.darkgrid 2.whitegrid 3.dark 4.white 5.ticks 二.风格细节设置 1.指定画图距离轴线的位置 2.指定轴的隐藏与否 ...
- 【Python实现数据可视化】创建3D柱状图
虽然matplotlib主要专注于绘图,并且主要是二维的图形,但是它也有一些不同的扩展,能让我们在地理图上绘图,让我们把Excel和3D图表结合起来.在matplotlib的世界里,这些扩展叫做工具包 ...
- Python大数据综合应用 :零基础入门机器学习、深度学习算法原理与案例
机器学习.深度学习算法原理与案例实现暨Python大数据综合应用高级研修班 一.课程简介 课程强调动手操作:内容以代码落地为主,以理论讲解为根,以公式推导为辅.共4天8节,讲解机器学习和深度学习的模型 ...
- python seaborn_Python数据可视化,seaborn如何做出非常规图表
此系列文章收录在公众号中:数据大宇宙 > 数据可视化 > mpl 转发本文并私信我"python",即可获得Python资料以及各种心得(持续更新的) 前言 上一节(P ...
- python数据可视化工具 pandas_Pandas数据可视化工具——Seaborn用法整理(下)
在前一篇文章 Pandas数据可视化工具--Seaborn用法整理(上),我们了解了如何使用这些Seaborn代码绘制分布图和分类图.在本文中,我们将继续讨论Seaborn提供的一些其他以绘制不同类型 ...
最新文章
- 【实验楼】python简明教程
- Celery 应用:Application
- 桌面支持--ZWMECH软件卸载工具
- wcf客户端动态嗅探服务实例
- 建立随机矩阵,及生成新矩阵
- c语言中缀表达式求值_数据结构考研笔记之栈与队列(四)栈与队列应用括号匹配、中缀表达式转前缀后缀问题...
- 判断字符串括号{}[]()是否闭合—python实现
- 变量详解-----笔记
- python+selenium十:selenium的二次封装
- (二)golang数组和切片
- 蚂蚁养鸡线下支付扫码链接,蚂蚁养鸡线下支付链接
- mysql按日期查询数据_mysql按日期查询数据
- 力软下拉框多选_力软快速开发平台:方便快捷的Web开发平台
- div css3 border-radius 之圆角 div圆角 图片圆角
- 基于opencv的手指静脉识别(附源码)
- java题目——月供计算器
- 真切还是虚无?宇宙可能是一个假真空气泡
- Java微信公众号开发之微信素材管理工具类
- 自己动手搭建一个简单的静态资源服务器
- 怎么制作地图分布图,如何在地图上画出区域
热门文章
- 03. Java NIO Channel 通道
- Docker容器引导完整CentOS
- MongoDB 安装记录
- Android 时间维护服务 TimeService(针对于特殊定制设备)
- [cocos2d-x]屏幕自适应解决的方法
- sbt笔记二 Running
- Attribute和Property的区别
- 连接上linux上的ip在哪个文件夹,linux – 当IP别名时,操作系统如何确定哪个IP地址将用作出站TCP / IP连接的源?...
- jeesite如何已生成数据的数据源_如何在postman中自动生成接口请求数据,这个功能你需要知道,可结合浏览器和两大抓包工具使用...
- Bash vs. Python:您应该使用哪种语言?