图表可视化seaborn风格和调色盘
seaborn是基于matplotlib的python数据可视化库,提供更高层次的API封装,包括一些高级图表可视化等工具。
使用seaborn需要先安装改模块pip3 install seaborn 。
一、风格style
包括set() / set_style() / axes_style() / despine() / set_context()
创建正弦函数并显示图表
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline def sinplot(flip = 1):x = np.linspace(0,14,100)for i in range(1,7):plt.plot(x,np.sin(x+i)*i) # 6个正弦函数 sinplot()
1.set(),设置整体为默认风格
sns.set() #默认风格为darkgrid sinplot()
2.set_style(),自定义整体风格
参数为"white"、"dark"、 "whitegrid"、 "darkgrid"、 "ticks"或者None,默认为darkgrid
fig = plt.figure(figsize=(15,6))ax1 = fig.add_subplot(121) sns.set_style('whitegrid') data = np.random.normal(size=(20, 6)) + np.arange(6) / 2 sns.boxplot(data=data) plt.title('style - whitegrid')# 仍然可以使用matplotlib的参数 ax2 = fig.add_subplot(122) # sns.set_style("dark") sinplot()
3.axes_style(),设置子图风格
可与with搭配使用,设置with代码块内的图表风格,不影响整体图表风格。
fig = plt.figure(figsize=(15,6)) with sns.axes_style("dark"): #只对with代码块内的图表风格生效,即只对第一个子图生效plt.subplot(121) sinplot()sns.set_style("white") #整体风格为white plt.subplot(122) sinplot()
4.despine()移除轴线
despine(fig=None, ax=None, top=True, right=True, left=False, bottom=False, offset=None, trim=False)
top、right、left、bottom:上、右、左、下方轴线,默认移除上方和右侧轴线
offset:xy轴和y轴的起点相对原始位置的偏移量
trim:默认坐标轴长度没有限制,会延伸到图表内容结束,True表示将坐标轴的显示的长度在最小值和最大值之间
fig = plt.figure(figsize=(20,6)) ax1 = fig.add_subplot(131) sinplot() sns.despine()# 默认删除上、右坐标轴 ax2 = fig.add_subplot(132) sns.violinplot(data=data) #小提琴图 # sns.despine(offset=1, trim=True) ax3 = fig.add_subplot(133) sns.boxplot(data=data, palette="deep") sns.despine(left=True, right = False) #最终是该despine设置生效
5.set_context()显示比例
可选参数为'paper'、 'notebook'、'talk'、'poster',默认为notebook,设置标签、线等的大小。
sns.set_context("notebook") sinplot()
下面分别为设置为notebook、paper、talk和poster的显示结果。
二、 调色盘
1.color_palette()
默认取当前调色盘的颜色,返回结果是一个seaborn.palette的类,形式类似一个列表,列表中每一个元素为元组,元组用3个数值表示rgb颜色。
current_palette = sns.color_palette() # 读取当前调色盘颜色,可添加参数n表示取几个色块 print(current_pallette,type(current_palette)) sns.palplot(current_palette) #<class 'seaborn.palettes._ColorPalette'> [(0.9913725490196079, 0.7913725490196079, 0.7082352941176471)...]
seaborn可用调色盘有6种,deep、 muted、bright、 pastel、dark、colorblind,默认显示bright。
其他调色盘
sns.color_palette('Reds', 10),第一个参数表示色系,第二个参数表示取几个色块。
颜色默认是由浅到深,带r表示反转即颜色由深到浅,不是所有颜色都可以翻转哦。
#其他可用调色盘 #Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, #Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, #Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r,RdBu, RdBu_r, #RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, spectral #Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r #binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cividis, cividis_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, #cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, #gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, #gray, gray_r, hot, hot_r, hsv, hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, #nipy_spectral, nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, #seismic, seismic_r, spring, spring_r, summer, summer_r, tab10, tab10_r, tab20, tab20_r, tab20b, tab20b_r, tab20c, tab20c_r, #terrain, terrain_r, twilight, twilight_r, twilight_shifted, twilight_shifted_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r sns.palplot(sns.color_palette('Reds', 10)) sns.palplot(sns.color_palette('Greens_r', 7)) #
# 分组颜色,同一个颜色成对出现 sns.palplot(sns.color_palette('Paired',7)) #参数可以为奇数 sns.palplot(sns.color_palette('Paired', 18))
2.设置调色盘
set_palette(palette, n_colors=None, desat=None, color_codes=False),使用Seaborn调色盘设置Matplotlib颜色循环
palette参数可设置为seaborn color paltte | matplotlib colormap | hls | husl
sns.set_palette('Greens') sinplot()
3.亮度和饱和度
sns.hls_palette(n_colors=6, h=.01, l=.6, s=.65)
sns.husl_palette(n_colors=6, h=.01, s=.9, l=.65),两者表示亮度和饱和度的参数位置相反。
参数n_colors表示取几个色块,h表示第一个色块的颜色,l表示亮度,s表示饱和度,h、l、s取值[0,1]。
sns.palplot(sns.hls_palette(8,0.01,0.5,0.5)) sns.palplot(sns.husl_palette(8,0.03,0.8,0.8))
4.按线性增长设置颜色
cubehelix_palette(n_colors=6, start=0, rot=.4, gamma=1.0, hue=0.8,light=.85, dark=.15, reverse=False, as_cmap=False)
c_colors:色块个数
start:色块的起点颜色,[0,3]之间
rot:颜色的旋转角度
gamma:颜色的伽马值,值越大颜色越深
hue:饱和度,[0,1]之间
light和dark:亮度和深度,[0,1]之间
reverse:默认为False颜色由浅到深,True表示由深到浅
as_cmp:If True, return a matplotlib colormap instead of a list of colors
sns.palplot(sns.cubehelix_palette(8, gamma=1.5)) sns.palplot(sns.cubehelix_palette(8, start=1, rot=-0.75)) sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0.5,light=0.9, reverse=True))
5.按颜色深浅设置颜色
light_palette(color, n_colors=6, reverse=False, as_cmap=False,input="rgb")和dark_palette(color, n_colors=6, reverse=False, as_cmap=False, input="rgb")
color_palette()中的颜色参数为调色盘,而light_palette()和dark_palette()中的color颜色参数就是单纯的颜色,例如对于蓝色,color_palette()需设置Blues,后两者参数为blue。
sns.palplot(sns.light_palette("red")) sns.palplot(sns.dark_palette("red")) sns.palplot(sns.light_palette("blue")) sns.palplot(sns.dark_palette("blue", reverse=True))
6.设置分散颜色
diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6, center="light", as_cmap=False)
h_neg, h_pos:起始和终止颜色,[0,359]之间
s、l:饱和度和亮度,[0,100]之间
n:色块个数
center: 最中间颜色为浅色或者深色,{'light','dark'},默认为浅色
sns.palplot(sns.diverging_palette(0,150, s=60, l=20, n=8)) sns.palplot(sns.diverging_palette(300, 150, s=30, l=50, n=8,center='dark'))
sns.set_style("white")# 设置风格 fig = plt.figure(figsize=(18,5))with sns.color_palette("Greens"): #设置局部调色盘plt.subplot(131)sinplot()sns.set_palette("husl") #对于多系列的图表,用不同颜色区分系列 plt.subplot(132) sinplot()x = np.arange(25).reshape(5, 5) cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) plt.subplot(133) sns.heatmap(x, cmap=cmap) #显示热力图效果
转载于:https://www.cnblogs.com/Forever77/p/11396588.html
图表可视化seaborn风格和调色盘相关推荐
- seaborn入门(3)调色盘
seaborn入门(3)调色盘 文章目录 seaborn入门(3)调色盘 基础准备 调色盘 基础准备 如果不太懂建议看seaborn入门(1)和seaborn入门(2) import numpy as ...
- FacetGrid与调色盘-Seaborn样式风格设置-调色盘设置
FacetGrid与调色盘 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 ...
- R语言数据可视化——图形色彩设计(调色盘)
R语言数据可视化--图形色彩设计 图形颜色的选择对我们最终图形呈现的效果影响很大,我们需要用到的图形配色也跟随着图形出现的场合而变化,这篇文章整理了前辈们制作的在ggplot包绘制图形时,常常使用的配 ...
- 最好用的分组数据可视化工具--Seaborn调色盘
上一篇文章写了Seaborn基本风格设置,这一篇文章写一下Seaborn中的调色盘设置 首先引入所需模块 import numpy as np import pandas as pd import m ...
- seaborn线性关系数据可视化:时间线图|热图|结构化图表可视化
一.线性关系数据可视化lmplot( ) 表示对所统计的数据做散点图,并拟合一个一元线性回归关系. lmplot(x, y, data, hue=None, col=None, row=None, p ...
- 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 ...
- 【项目实战】多场景下的图表可视化表达
多场景下的图表可视化表达 数据: 2016年奥运运动员数据,数据格式为xlsx,分3个sheet 1.分男女分别分析运动员的身高分布,并制作图表,数据为"奥运运动员数据.xlsx,sheet ...
- echarts(一)下载引入,调色盘,[标题、图例组件、坐标轴]
一个简单的例子 1. 下载并引入 (1)npm install echarts --save (2)import echarts from 'echarts' //main.js引入echarts 或 ...
- 数据图表可视化_数据可视化如何选择正确的图表第1部分
数据图表可视化 According to the World Economic Forum, the world produces 2.5 quintillion bytes of data ever ...
最新文章
- 脑外伤急救后迟发性颅脑损伤影响因素分析案例
- JBoss5.1.0部署SSH2
- c#计算 坐标点与坐标点之间的距离
- 关于 vmware虚拟机的一些问题及解决办法备忘
- OpenStack Glance简介
- 无法拯救的 Wear OS!
- vue自动化部署linux,GitHub+Vue自动化构建部署
- js Dom对象的属性与方法
- Mybatis中的foreach
- abb限位开关已打开drv1_软限位开关的设置原理与应用
- 英飞凌TC297 PSPR与DSPR
- 迅捷路由器造成计算机无法上网,迅捷(FAST)300M无线路由器设置后不能上网的解决方法...
- linux去重复程序,linux常用命令合集
- 总结Python设置Excel单元格样式的一切,比官方文档还详细。
- 手机游戏的分析,设计,思考
- 浅谈四种常见的agv导航方式及各自的优缺点
- 困扰成都青年的20年癫痫在三博脑科医院终结
- PHP+SQL考勤系统安全性的设计与实现
- 古罗马数字的基本知识
- 武林外传—阿沅,这是依赖传递呀!
热门文章
- scrapy框架的理解
- 2018.09.16 loj#10243. 移棋子游戏(博弈论)
- 如何解决ajax跨域问题(转)
- java中常用的包、类、以及包中常用的类、方法、属性----sql和text\swing
- iOS设计模式-生成器
- MFC学习中遇到的小问题和解决方案
- Object C学习笔记13-Dictionary字典
- C#多线程学习之:Monitor类
- “机器换人”之潮涌向珠三角,蓝领工人将何去何从
- HBase-1.2.4LruBlockCache实现分析(一)