一、seaborn原理

图片来源：https://www.bilibili.com/video/BV1VX4y1F76x/

boxenplot：适合大数据
不同类别中数值变量的分布图：stripplot;swarmplot;violinplot
FaceGrid,PairGrid可以自定义绘制函数

查看seaborn版本：sns.__version__
版本更新：pip install —upgrade seaborn

二、变量分布

1.sns.boxplot()：查看数值变量的取值范围

sns.boxplot()：查看数值变量的取值范围，是否有异常值。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as snsprint(sns.__version__)
# print(sns.get_dataset_names())df = pd.read_excel('D:/1.xlsx')sns.boxplot(data=df,x="Height")
plt.show()

2.sns.displot()：查看变量的分布

sns.displot(kind = hist) #绘制直方图
直方图：sns.histplot（bins，hue，shrink）
bins：改变bin numbers
hue：类别变量
shrink：缩放因子
sns.displot(kind = kde) #绘制核密度估计值（kernel density estimate (KDE)），是一种可视化数据集中观测值分布的方法，类似于直方图。KDE使用一个或多个维度的连续概率密度曲线表示数据。
sns.displot(kind = ecdf) #表示低于数据集中每个唯一值的观察值的比例或计数。与直方图或密度图相比，它的优点是每个观察结果都是直接可视化的，这意味着不需要调整分箱或平滑参数。

penguins = sns.load_dataset("penguins")
sns.ecdfplot(data=penguins, x="flipper_length_mm")

sns.countplot(data=df,x=“class”) 统计个数

3.sns.jointplot()：绘制两个变量的联合分布和各自分布

sns.jointplot(dataset,x,y,kind)

sns.jointplot()函数的升级版：
JoinGrid，可以通过g.plot()自定义函数。g = sns.JoinGrid(); g.plot(sns.histplot,sns.boxplot)

4.sns.pairplot()：成对绘制所有数值变量的联合分布

sns.pairplot()函数的升级版：
PairGrid，可以通过g.map()自定义绘制函数

参考资料

https://www.bilibili.com/video/BV1VX4y1F76x/

https://blog.csdn.net/qq_45176548/article/details/117305614?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultbaidujs_title~default-1.queryctrv2&spm=1001.2101.3001.4242.2&utm_relevant_index=4

机器学习——seaborn可视化相关推荐

seaborn可视化散点图并自定义数据轴标签（X轴和Y轴的轴标签，Change X Y Axis Labels to a Seaborn Plot）
seaborn可视化散点图并自定义数据轴标签(X轴和Y轴的轴标签,Change X & Y Axis Labels to a Seaborn Plot) 目录
seaborn可视化散点图并自定义可视化结果图像的大小（Change the Size of a Seaborn Plot）
seaborn可视化散点图并自定义可视化结果图像的大小(Change the Size of a Seaborn Plot) 目录 seaborn可视化散点图并自定义可视化结果图像的大小(Change ...
seaborn可视化绘制双变量分组条形图（Annotating Grouped Barplot: Side-by-side）、添加数值标签进行标记
seaborn可视化绘制双变量分组条形图(Annotating Grouped Barplot: Side-by-side).添加数值标签进行标记目录
Python seaborn可视化：组合多个seaborn可视化结果并使得组合结果图像共享X轴、使用matplotlib的subplots子图函数的gridspec_kw参数指定子图的相对大小或者比率
Python seaborn可视化:组合多个seaborn可视化结果并使得组合结果图像共享X轴.使用matplotlib的subplots子图函数的gridspec_kw参数指定子图的相对大小或者比率 ...
seaborn可视化散点图并自定义图像的标题（title）以及自定义标题的字体大小（Set a Title to a Seaborn Plot）
seaborn可视化散点图并自定义图像的标题(title)以及自定义标题的字体大小(Set a Title to a Seaborn Plot) 目录
seaborn可视化条形图并按照升序排序条形图进行可视化：Sort Bars in Barplot in Ascending Order in Python
seaborn可视化条形图并按照升序排序条形图进行可视化:Sort Bars in Barplot in Ascending Order in Python 目录
pandas数据预处理（字段筛选、query函数进行数据筛选、缺失值删除）、seaborn可视化分面图（facet）、seaborn使用Catplot可视化分面箱图（Faceted Boxplot）
pandas数据预处理(字段筛选.query函数进行数据筛选.缺失值删除).seaborn可视化分面图(facet).seaborn使用Catplot可视化分面箱图(Faceted Boxplot) ...
seaborn可视化直方图（histogram）、添加密度曲线、并自定义直方图中每一个条形的条形框的色彩（edgecolor）
seaborn可视化直方图(histogram).添加密度曲线.并自定义直方图中每一个条形的条形框的色彩(edgecolor) 目录
seaborn可视化多水平分类变量分组箱图boxplot并自定义多个箱体的顺序（Manually Order Boxes in Boxplot with Seaborn）
seaborn可视化多水平分类变量分组箱图boxplot并自定义多个箱体的顺序(Manually Order Boxes in Boxplot with Seaborn) 目录
seaborn可视化条形图并按照降序排序条形图进行可视化Sort Bars in Barplot in Descending Order in Python
seaborn可视化条形图并按照降序排序条形图进行可视化Sort Bars in Barplot in Descending Order in Python 目录

机器学习——seaborn可视化

文章目录