[Python知识库][Kaggle Courses]数据可视化 Data Visualization

一、简介和Setup

seaborn 是 python 数据可视化中重要的库，它是基于 matplotlib 的一个拓展，相较于 matplotlib, seaborn 更加更加方便快捷的做出复杂、美观的图。
你可以通过以下方式导入 seaborn:

import matplotlib.pyplot as plt
import seaborn as sns

二、seaborn作图的一些特点

• 函数传入一个DataFrame对象作为data参数。
• 字符串应传入到x和y参数中，表示在data中需要展示的列；如果不传入DataFrame对象作为data时，x和y可以像 matplotlib 一样传入数据。
• hue作为一个很有特色的参数，可以根据hue中类别对数据进行分类展示，从而在图表中用不同的颜色展示它们。（也就是seaborn里面的FacetGrid绘图方式）

三、分类

1. 趋势

(1) sns.lineplot

sns.lineplot将DataFrame中的每一列的数据随index的变化趋势展示出来。

# Line chart showing the number of visitors to each museum over time
plt.figure(figsize=(12,6))
sns.lineplot(data = museum_data)
plt.title("Monthly Visitors to Los Angeles City Museums")

2. 关系

(2) sns.barplot

sns.barplot以柱状图的形式展示x，y之间统计关系，会对作为横坐标的一方进行合并。

# Bar chart showing average score for racing games by platform
plt.figure(figsize=(12,6))
sns.barplot(
    y = ign_data.index,
    x = ign_data.Racing
)

(3) sns.heatmap

sns.heatmap以颜色矩阵的形式（热力图）展示数据之间的差异，如要展示相关性，可以配合df.corr()使用。

plt.figure(figsize = (12,6))
sns.heatmap(data = ign_data,annot=True)#annot=True可以在图片上展示数据

(4) sns.scattermap

sns.scattermap以 (x,y) 为坐标展示散点。

plt.figure(figsize=(12,6))
sns.scatterplot(
	x=candy_data['pricepercent'],
	y=candy_data['winpercent'],
	hue=candy_data['chocolate']
)

(5) sns.regplot

sns.regplot在展示散点的同时对数据进行线性回归，展示拟合后的直线已经置信区间。

plt.figure(figsize=(12,6))
sns.regplot(
    x=candy_data['sugarpercent'], 
    y=candy_data['winpercent']
)

(6) sns.lmplot

sns.lmplot与sns.regplot类似，不过允许使用FacetGrid的绘图方式。

sns.lmplot(
    x="pricepercent", 
    y="winpercent", 
    hue="chocolate", 
    data=candy_data
)

(7) sns.swarmplot

sns.swarmplot绘制分簇散点图，x轴表示不同的类别，y轴表示数据的分布，图形越”粗“表示数据在此处分布最密集。某种程度上来说也是数据的分布，但是用x对数据进行了分类。

sns.swarmplot(
    x=candy_data['chocolate'], 
    y=candy_data['winpercent']
)

3. 分布

(1) sns.displot

sns.displot绘制所给数据的频率分布直方图。kde=False在这种情况下是必须的。需要注意，这里的参数是a。

sns.distplot(
	a=cancer_b_data['Area (mean)'], 
	label="Benign", 
	kde=False
)
sns.distplot(
	a=cancer_m_data['Area (mean)'], 
	label="Malignant", 
	kde=False
	)
plt.legend()

(2) sns.kdeplot

sns.kdeplot是密度的分布曲线，看起来像是连续的。

sns.kdeplot(
	data=cancer_b_data['Radius (worst)'], 
	shade=True, 
	label="Benign"
	)
sns.kdeplot(
	data=cancer_m_data['Radius (worst)'], 
	shade=True, 
	label="Malignant"
	)
plt.legend()

(3) sns.jointplot

sns.jointlpot绘制2D的kde曲线。

sns.jointplot(
	x=iris_data['Petal Length (cm)'], 
	y=iris_data['Sepal Width (cm)'], 
	kind="kde"
	)

四、总结

seaborn 的绘图功能十分强大，以上列出的只是 seaborn 的一些非常基础的功能，还有一些有关于渲染、网格绘图等高级功能等待学习者们挖掘。