简介
Seaborn是一种基于matplotlib的图形可视化库。他提前已经定义好了一套自己的风格。然后也封装了一系列的方便的绘图函数,之前通过matplotlib需要很多代码才能完成的绘图,使用seaborn可能就是一行代码的事情。 学习链接:https://www.bilibili.com/video/BV1tA411H7cQ?p=1 官网:https://seaborn.pydata.org/tutorial.html
安装
通过pip install seaborn 即可安装
Seaborn关系绘图
relplot
这个函数功能非常强大,可以用来表示多个变量之间的关联关系。默认情况下是绘制散点图,也可以绘制线性图。
scatterplot:relplot(kind=‘scatter’)。 lineplot:relplot(kind=‘line’)。
基本使用
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips", cache=True, data_home='./seaborn-data-master')
print(tips.sample(5))
sns.relplot(x="total_bill", y="tip", data=tips)
plt.show()
hue参数
hue参数是用来控制第三个变量的颜色显示的。比如我们在以上图的基础之上体现出星期几的参数,那么可以通过以下代码来实现:
sns.relplot(x="total_bill",y="tip",hue="day",data=tips)
col和row参数:
col和row,可以将图根据某个属性的值的个数分割成多列或者多行。比如在以上图的基础之上我们想要把Lunch(午餐)和Dinner(晚餐)分割成两个图来显示,那么可以通过以下代码来实现:
sns.relplot(x="total_bill",y="tip",hue="day",col="time",data=tips)
也可以再在row上添加一个新的变量,比如把性别按照行显示出来,代码如下:
sns.relplot(x="total_bill",y="tip",hue="day",col="time",row="sex",data=tips)
指定具体的列
有时候我们的图有很多,默认情况下会在一行中全部展示出来,那么我们可以通过col_wrap来指定具体多少列。示例代码如下:
sns.relplot(x="total_bill",y="tip",col="day",col_wrap=2,data=tips)
绘制折线图
relplot通过设置kind="line"可以绘制折线图。并且他的功能比plt.plot更加强大。plot只能指定具体的x和y轴的数据(比如x轴是N个数,y轴也必须为N个数)。而relplot则可以在自动在两组数据中进行计算绘图。示例代码如下:
import seaborn as sns
import matplotlib.pyplot as plt
fmri = sns.load_dataset("fmri",data_home='./seaborn-data-master')
sns.relplot(x="timepoint",y="signal",kind="line",data=fmri)
plt.show()
当然也可以添加其他的参数,用来控制整个图的样式和结构。示例代码如下:
sns.relplot(x="timepoint",y="signal",kind="line",hue="event",col="region",style="event",data=fmri)
Seaborn分类绘图
分类图的绘制,采用的是sns.catplot来实现的。cat是category的简写。这个方法默认绘制的是分类散点图,如果想要绘制其他类型的图,同样也是通过kind参数来指定。并且分类绘图中,分成分类散点图,分类分布图,分类统计图。
分类散点图
分类散点图比较适合数据量不是很多的情况,他是用catplot来实现,但是也有以下两个特别的方法。
stripplot():catplot(kind=“strip”),默认的。 swarmplot():catplot(kind=“swarm”)。
sns.catplot(x="day",y="total_bill",hue="sex",data=tips)
以上图展示的是按照星期几的分类散点图,看起来这些点有点重合,如果想要散开来,那么可以使用catplot(kind=“swarm”)。示例代码如下:
sns.catplot(x="day",y="total_bill",kind="swarm",data=tips,hue="sex")
catplot方法不能使用size和style参数。
横向分类散点图
想要将垂直的分类散点图变成横向的,只需要把x和y对应的值进行互换即可。
sns.catplot(y="day",x="total_bill",kind="swarm",data=tips,hue="sex")
分类分布图
分类分布图,主要是根据分类来看,然后在每个分类下数据的分布情况。也是通过catplot来实现,以下两个方法分别是不同的kind参数:
boxplot():catplot(kind=“box”)。 violinplot():catplot(kind=“violin”)。
箱线图
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
athletes = pd.read_csv("athlete_events.csv")
countries = {'CHN':'中国','JPN':"日本",'KOR':'韩国','USA':"美国",'CAN':"加拿大",'BRA':"巴西",'GBR':"英国",'FRA':"法国",'ITA':"意大利",'ETH':"埃塞俄比亚",'KEN':"肯尼亚",'NIG':"尼日利亚",}
plt.rcParams['font.sans-serif'] = ['FangSong']
need_athletes = athletes[athletes['NOC'].isin(list(countries.keys()))]
g = sns.catplot(x="NOC",y="Height",data=need_athletes,kind="box",hue="Sex")
g.fig.set_size_inches(20,5)
g.set_xticklabels(list(countries.values()))
plt.show()
小提琴图
小提琴实际上就是两个对称的核密度曲线合并起来,然后中间是一个箱线图(也可以为其他图)组成的。通过小提琴图可以看出数据的分布情况。示例代码如下:
sns.catplot(x="day",y="total_bill",data=tips,kind="violin",hue="sex",split=True)
小提琴的中间默认绘制的是箱线图,也可以修改为其他类型的。可以通过inner参数修改,这个参数有以下几个选项:
- box:默认的,箱线图。
- quartile:四分位数。上下四分位数加中位数。
- point:散点
- stick:线条
分类统计图
分类统计图,则是根据分类,统计每个分类下的数据的个数或者比例。有以下几种方式:
barplot():catplot(kind=“bar”)。 pointplot():catplot(kind=“point”)。 countplot():catplot(kind=“count”)。
条形图
seaborn中的条形图具有统计功能,可以统计出比例,平均数,也可以按照你想要的统计函数来统计。
- 统计平均数:
sns.catplot(x="day",y="total_bill",data=tips,kind="bar")
- 统计比例:
sns.catplot(data=titanic,kind="bar",x="sex",y="survived")
- 自定义统计函数:
sns.barplot(x="sex",y="survived",data=titanic,estimator=lambda values:sum(values))
柱状图
柱状图是专门用来统计某个单一变量出现数量的图形。
sns.catplot(x="sex",data=titanic,kind="count")
也可以通过使用hue参数来指定分组:
sns.catplot(x="sex",kind="count",data=tips,hue="day")
点线图
点线图可以非常方便的看到变量之间的趋势变化。
sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")
Seaborn分布绘图
单变量分布
单一变量主要就是通过直方图来绘制。在seaborn中直方图的绘制采用的是distplot,其中dist是distribution的简写
sns.set(color_codes=True)
titanic = titanic[~np.isnan(titanic['age'])]
sns.distplot(titanic['age'])
有以下常用参数:
- kde(核密度曲线):这个代表是否要显示kde曲线,默认是显示的,如果显示kde曲线,那么y轴表示的就是概率,而不是数量。也可以设置为False关掉。
sns.distplot(titanic['age'],kde=False)
- bins:代表这个直方图显示的数量。也可以通过自己设置。
sns.distplot(titanic['age'],bins=30)
- rug:代表是否需要显示底部的胡须下线,下面的胡须线越密集的地方,说明数据量越多。
sns.distplot(titanic['age'],rug=True)
二变量分布
散点图
sns.jointplot(x="total_bill", y="tip", data=tips)
通过设置kind='reg’可以设置回归绘图和核密度曲线。
sns.jointplot(x="total_bill", y="tip", data=tips,kind="reg")
六边形图
对于一些数据量特别大的数据,用散点图不太利于观察,以采用六边形图来绘制,也就是将之前的散点变成六边形,六边形有一个区间大小,之前这些点落在这个六边形中越多颜色越深。通过gridsize设置六边形个数。
athletes = pd.read_csv("athlete_events.csv")
china_athletes = athletes[athletes['NOC']=='CHN']
sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex",gridsize=20)
jointplot其他常用参数: x,y,data:绘制图的数据。 kind:scatter、reg、resid、kde、hex。 color:绘制元素的颜色。 height:图的大小,图会是一个正方形。 ratio:主图和副图的比例,只能为一个整形。 space:主图和副图的间距。 dropna:是否需要删除x或者y值中出现了NAN的值。 marginal_kws:副图的一些属性,比如设置bins、rug等。
成对绘图(pairplot)
pairplot可以把某个数据集中某几个字段之间的关系图一次性绘制出来。比如iris鸢尾花数据,我们想要看到petal_width、petal_height、sepal_width以及sepal_height之间的关系,那么我们就可以通过pairplot来绘制。
sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'])
默认情况下,对角线的图是直方图,其他地方的图是散点图,如果想要修改这两种图,可以通过diag_kind和kind来实现。其中这两个参数可取的值为: diag_kind:auto, hist, kde。 kind:scatter, reg。
sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'],diag_kind="kde",kind="reg")
线性回归绘图
线性回归图可以帮助我们看到数据的关系趋势。在seaborn中可以通过regplot和lmplot两个函数来实现。regplot的x和y可以为Numpy数组、Series等变量。而lmplot的x和y则必须为字符串,并且data的值不能为空: regplot(x,y,data=None)。 lmplot(x,y,data)。
sns.lmplot(x="total_bill",y="tip",data=tips)
sns.regplot(x=tips["total_bill"],y=tips["tip"])
【注】:部分资源来源于网络,若侵犯了您的权利,请与作者联系,感谢!
|