博文配套視頻課程：24小時實現(xiàn)從零到AI人工智能

Matplotlib VS Seaborn

Seaborn概念介紹

Seaborn的底層是基于Matplotlib的，他們的差異有點像在點餐時選套餐還是自己點的區(qū)別，Matplotlib是獨立點菜，可能費時費心（尤其是對我這種選擇困難癥患者…）但最后上桌的菜全是特別適合自己的；而Seaborn是點套餐，特別簡單，一切都是配好的，雖然省時省心，但可能套餐里總有些菜是不那么合自己口味的。接下來詳細(xì)說一下：

Seaborn是用戶把自己常用到的可視化繪圖過程進行了函數(shù)封裝，形成的一個“快捷方式”，他相比Matplotlib的好處是代碼更簡潔，可以用一行代碼實現(xiàn)一個清晰好看的可視化輸出。主要的缺點則是定制化能力會比較差，只能實現(xiàn)固化的一些可視化模板類型；

而Matplotlib是可以實現(xiàn)高度定制化繪圖的，高度定制化可以讓你獲得最符合心意的可視化輸出結(jié)果，但也因此需要設(shè)置更多的參數(shù)，因而代碼更加復(fù)雜一些。

兩者相互補充，Seaborn，一般來說基本是夠用的，而且特別容易上手；但很多時候Seaborn輸出的結(jié)果確實可能不如人意，這時候需要結(jié)合Matplotlib做些修改，就需要深入學(xué)習(xí)下Matplotlib。

Matplotlib快速回顧

此處僅僅是快速回顧Matplotlib的相關(guān)概念，之前忘記的小伙伴可以查看數(shù)據(jù)分析可視化課程的第三章matplotlib相關(guān)內(nèi)容

import pandas as pdimport matplotlib.pyplot as pltimport random# maplotlib快速回顧# 列表推導(dǎo)式plt.rcParams['font.sans-serif'] = ['SimHei']x_val = [str(i) + '月' for i in range(1,12)]y_val = [random.randint(1,10) for i in range(1,12)]# 顯示分類圖則 color與label顯得有意義plt.scatter(x_val,y_val,color='red',label='我是標(biāo)簽')plt.legend(title='分類標(biāo)題')plt.xlabel('月份')plt.ylabel('銷量')plt.title('Matplotlib快速回顧')plt.show()

Matplotlib可視化鳶尾花數(shù)據(jù)

from sklearn.datasets import load_iris# 可以通過網(wǎng)絡(luò)獲取數(shù)據(jù)集,控制臺有csv的存儲地址data = load_iris()print(data)iris = pd.read_csv("../data/iris.csv")print(iris.head())print(iris['Type'].unique())colors = dict(zip(iris['Type'].unique(),['blue','green','red']))for index,group in iris.groupby('Type'):    # print(group)    plt.scatter(group['PetalLength'],group['SepalLength'],color=colors[index],label=index)    plt.legend(title='type')    plt.xlabel('petalLength')    plt.ylabel('sepalLength')plt.show()

Matplotlib效果圖如下

SeaBorn一行代碼可視化鳶尾花

import seaborn as snssns.lmplot('PetalLength','SepalLength',iris,hue='Type',fit_reg=False)plt.show()

SeaBorn效果圖如下

核密度估計圖,直方圖

核密度估計圖

# Series天生與可視化無縫轉(zhuǎn)化s1= pd.Series(data=np.random.normal(loc=5,scale=1,size=100))# sns.kdeplot(s1,color='#ff0000')sns.kdeplot(s1,color='#ff0000',shade=True, vertical=True)s2= pd.Series(data=np.random.normal(loc=5,scale=4,size=100))# cmap: 顏色方案,直接配置#FF000會拋出異常,在控制臺會打印正確的值sns.kdeplot(s1,s2,cmap='BrBG',shade=True)# 0,7,1版本支持: sns.plt.show()plt.show()

雙核密度估計圖

多圖效果

# 封裝了直方圖和核密度估計圖: rug: 控制是否畫樣本點sns.distplot(a=s1,hist=False,kde=True,rug=True,kde_kws={'shade':True},label='AAA')sns.distplot(a=s2,hist=False,kde=True,rug=True,kde_kws={'shade':True},label='BBB')plt.show()

密度估計圖(多圖)

透視表、熱力圖

透視圖重現(xiàn)官方數(shù)據(jù)

# 查看源碼發(fā)現(xiàn)下載地址是github：https://github.com/mwaskom/seaborn-datadf = sns.load_dataset("flights")print(df.info())print(df.head(n=3))# 如果數(shù)據(jù)量大可以嘗試保存在本地df.to_csv('../data/flights.csv')# 采用透視表對數(shù)據(jù)結(jié)構(gòu)進行重新組裝df = df.pivot(index='month',columns='year',values='passengers')print(df)

熱力圖

1. 可以直觀的了解數(shù)據(jù)的分布情況,和差異
2. 也能方便的發(fā)現(xiàn)異常數(shù)據(jù)

sns.heatmap(df,annot=True,fmt='d',cmap='YlGnBu')plt.show()#可以通過柱狀圖顯示每年的乘客數(shù)量s = df.sum()print(s,type(s))sns.barplot(x=s.index,y=s.values)plt.show()

熱力圖顯示每年每月的旅客人數(shù)

Seaborn樣式修改與散點圖

樣式修改

sns.set_style("darkgrid",{'grid.color':'#00ff00'})# 返回樣式的屬性值for item in sns.axes_style().items():    print(item)# numpy 模擬等差數(shù)列x = np.linspace(0,10,100)y1 = np.sin(x)y2 = np.sin(x + 2) * 1.5sns.lineplot(x,y1)sns.lineplot(x,y2)plt.show()

修改樣式之后的效果如下

分布圖與分類散點圖

tips = sns.load_dataset("tips")tips.to_csv("../data/tips.csv")print(tips.head())# 分布散點圖  默認(rèn)會對x列進行分組操作  jitter: 是否支持抖動效果# sns.stripplot(x='day',y='total_bill',data=tips,jitter=True)# 分類散點圖  hue: 要分類的列,建議列值不能太多sns.swarmplot(x='day',y='total_bill',data=tips,hue='sex')plt.show()

分類散點圖效果