seaborn是python中的一個(gè)非常強(qiáng)大的數(shù)據(jù)可視化庫(kù)，它集成了matplotlib，下圖為seaborn的官網(wǎng)，如果遇到疑惑的地方可以到官網(wǎng)查看。http://seaborn.pydata.org/
從官網(wǎng)的主頁(yè)我們就可以看出，seaborn在數(shù)據(jù)可視化上真的非常強(qiáng)大。
1.首先我們還是需要先引入庫(kù)，不過這次要用到的python庫(kù)比較多。
1 2 3 4 5 | import numpy as npimport pandas as pdimport matplotlib as mplimport matplotlib.pyplot as pltimport seaborn as sns |
2.sns.set_style()：不傳入?yún)?shù)用的就是seaborn默認(rèn)的主題風(fēng)格，里面的參數(shù)共有五種
我比較習(xí)慣用whitegrid。
3.下面說一下seaborn里面的調(diào)色板，我們可以用sns.color_palette()獲取到這些顏色，然后用sns.palplot()將這些色塊打印出來。color_palette()函數(shù)還可以傳入一些參數(shù)
1 2 3 4 5 6 7 8 9 | sns.palplot(sns.color_palette("hls",n))#顯示出n個(gè)不同顏色的色塊sns.palplot(sns.color_palette("Paired",2n))#顯示出2n個(gè)不同顏色的色塊，且這些顏色兩兩之間是相近的sns.palplot(sns.color_palette("color"))#由淺入深顯示出同一顏色的色塊sns.palplot(sns.color_palette("color_r"))##由深入淺顯示出同一顏色的色塊sns.palplot(sns.color_palette("cubehelix",n))#顯示出n個(gè)顏色呈線性變化的色塊sns.palplot(sns.cubehelix_palette(k,start=m,rot=n))#顯示出k個(gè)start(0,3)為m，rot(-1,1)為n的呈線性變化的色塊sns.palplot(sns.light_palette("color"))#將一種顏色由淺到深顯示sns.palplot(sns.dark_palette("color"))#將一種顏色由深到淺顯示sns.palplot(sns.dark_palette("color",reverse=bool))#reverse的值為False，則將一種顏色由深到淺顯示；若為True，則將一種顏色由淺到深顯示 |
4.sns.kdeplot(x,y,cmap=pal)：繪制核密度分布圖。
5.sns.distplot(x,kde=bool,bins=n)：kde代表是否進(jìn)行核密度估計(jì)，也就是是否繪制包絡(luò)線，bins指定繪制的條形數(shù)目。
6.根據(jù)均值和協(xié)方差繪圖：
首先我們要根據(jù)均值和協(xié)方差獲取數(shù)據(jù)
1 2 3 4 | mean,cov = [m,n],[(a,b),(c,d)]#指定均值和協(xié)方差data = np.random.multivariate_normal(mean,cov,e)#根據(jù)均值和協(xié)方差獲取e個(gè)隨機(jī)數(shù)據(jù)df = pd.DataFrame(data,columns=["x","y"])#將數(shù)據(jù)指定為DataFrame格式df |
然后繪制圖像
1 | sns.jointplot(x="x",y="y",data=df) #繪制散點(diǎn)圖 |
用sns.jointplot(x="x",y="y",data=df)可以繪制出x和y單變量的條形圖以及x與y多變量的散點(diǎn)圖。
7.在jointplot()函數(shù)中傳入kind=“hex”，能夠在數(shù)據(jù)量比較大時(shí)讓我們更清晰地看到數(shù)據(jù)的分布比重。
1 2 3 | x,y = np.random.multivariate_normal(mean,cov,2000).Twith sns.axes_style("white"): sns.jointplot(x=x,y=y,kind="hex",color="c") |
繪制出的圖像如下
8.sns.pairplot(df)：繪制出各變量之間的散點(diǎn)圖與條形圖，且對(duì)角線均為條形圖。
在這里我們可以先使用df = sns.load_dataset("")將seaborn中原本帶有的數(shù)據(jù)讀入或用pandas讀取。
9.繪制回歸分析圖：這里可以用兩個(gè)函數(shù)regplot()和lmplot()，用regplot()更好一些。
如果兩個(gè)變量不適合做回歸分析，我們可以傳入x_jitter()或y_jitter()讓x軸或y軸的數(shù)據(jù)輕微抖動(dòng)一些，得出較為準(zhǔn)確的結(jié)果。
10.sns.stripplot(x="",y="",data=df,jitter=bool)：繪制一個(gè)特征變量中的多個(gè)變量與另一變量關(guān)系的散點(diǎn)圖，jitter控制數(shù)據(jù)是否抖動(dòng)。
11.sns.swarmplot(x="",y="",hue="",data=df)：繪制頁(yè)狀散點(diǎn)圖，hue指定對(duì)數(shù)據(jù)的分類，由于在大量數(shù)據(jù)下，上面的散點(diǎn)圖會(huì)影響到我們對(duì)數(shù)據(jù)的觀察，這種圖能夠更清晰地觀察到數(shù)據(jù)分布。
12.sns.boxplot(x="",y="",hue="",data=df，orient="h")：繪制盒形圖，hue同樣指定對(duì)數(shù)據(jù)的分類。在統(tǒng)計(jì)學(xué)中有四分位數(shù)的概念，第一個(gè)四分位記做Q1，第二個(gè)四分位數(shù)記做Q2，第三個(gè)四分位數(shù)記做Q3，Q3-Q1得到的結(jié)果Q叫做四分位距，如果一個(gè)數(shù)n,n的范圍是n<Q1-1.5Q或n>Q3+1.5Q，則稱n為離群點(diǎn)，也就是不符合數(shù)據(jù)規(guī)范的點(diǎn)，利用盒形圖可以很清晰地觀察到離群點(diǎn)。如果傳入orient則畫出的盒形圖是橫向的。
13.sns.violinplot(x="",y="",data=df,hue="",split=bool)：繪制小提琴圖，split表示是否將兩類數(shù)據(jù)分開繪制，如果為True，則不分開繪制，默認(rèn)為False。
14.還可以將頁(yè)狀散點(diǎn)圖和小提琴圖在一起繪制，只需將兩個(gè)繪圖命令
inner="None"表示去除小提琴圖內(nèi)部的形狀。
15.sns.barplot(x="",y="",hue="",data=df)：按hue的數(shù)據(jù)分類繪制條形圖。
16.sns.pointplot(x="",y="",hue="",data=df)：繪制點(diǎn)圖，點(diǎn)圖可以更好的描述數(shù)據(jù)的變化差異。
17.我們還可以傳入其他參數(shù)：
1 2 3 | sns.pointplot(x="class",y="survived",hue="sex",data=titanic, palette={"male":"#02ff96","female":"#0980e6"},#指定曲線的顏色 markers=["s","d"],linestyles=["-","-."])#指定曲線的點(diǎn)型和線型 |
繪制出的圖像如下
18.sns.factorplot(x="", y="", hue="", data=df)：繪制多層面板分類圖。
1 | sns.factorplot(x="day",y="total_bill",hue="smoker",data=tips) |
繪制的圖像如下
19.sns.factorplot(x="",y="",hue="",data=df,kind="")：kind中指定要畫圖的類型。
1 | sns.factorplot(x="day",y="total_bill",hue="smoker",data=tips,kind="bar") |
1 | sns.factorplot(x="day",y="total_bill",hue="smoker",col="time",data=tips,kind="swarm") |
1 | sns.factorplot(x="time",y="total_bill",hue="smoker",col="day",data=tips,kind="box",size=5,aspect=0.8) #aspect指定橫縱比 |
20.sns.factorplot()的參數(shù)：
21.sns.FacetGrid()：這是一個(gè)很重要的繪圖函數(shù)。
1 2 | g = sns.FacetGrid(tips,col="time")g.map(plt.hist,"tip") |
1 2 3 | g = sns.FacetGrid(tips,col="sex",hue="smoker",size=5,aspect=1)g.map(plt.scatter,"total_bill","tip",alpha=0.3,s=100)#alpha指定點(diǎn)的透明度，s指定點(diǎn)的大小g.add_legend()#添加圖例 |
1 2 | g = sns.FacetGrid(tips,col="day",size=4,aspect=0.8)g.map(sns.barplot,"sex","total_bill") |
22.sns.PairGrid()：將各變量間的關(guān)系成對(duì)繪制。
1 2 3 | iris = sns.load_dataset("iris")g = sns.PairGrid(iris)g.map(plt.scatter) |
23.g.map_diag()和g.map_offdiag()：繪制對(duì)角線和非對(duì)角線的圖形
1 2 3 | g = sns.PairGrid(iris)g.map_diag(plt.hist) #指定對(duì)角線繪圖類型g.map_offdiag(plt.scatter) #指定非對(duì)角線繪圖類型 |
1 2 3 4 | g = sns.PairGrid(iris, hue="species")g.map_diag(plt.hist)g.map_offdiag(plt.scatter)g.add_legend() |
1 2 | g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"], hue="species",size=3)g.map(plt.scatter) |
1 2 3 | g = sns.PairGrid(tips, hue="size", palette="GnBu_d")g.map(plt.scatter, s=50, edgecolor="white")g.add_legend() |
24.sns.heatmap()：繪制熱度圖，熱度圖可以很清楚看到數(shù)據(jù)的變化情況以及變化過程中的最大值和最小值。
1 2 3 | uniform_data = np.random.rand(3, 3)print (uniform_data)heatmap = sns.heatmap(uniform_data) |
25.向heatmap()中傳入?yún)?shù)vmin=和vmax=。
1 2 | ax = sns.heatmap(uniform_data,vmin=0.2,vmax=0.5) #超過最大值都是最大值的顏色，小于最小值都是最小值的顏色 |
26.
1 2 3 | normal_data = np.random.randn(3, 3)print (normal_data)ax = sns.heatmap(normal_data, center=0) #center指定右側(cè)圖例的中心值 |
27.
1 2 3 4 | flights = sns.load_dataset("flights")flights = flights.pivot("month", "year", "passengers")ax = sns.heatmap(flights, annot=True,fmt="d",linewidth=0.5) #annot指定是否顯示數(shù)據(jù)，fmt指定數(shù)據(jù)的顯示格式,linewidth指定數(shù)據(jù)格子間的距離 |
28.
1 2 | ax = sns.heatmap(flights, cmap="YlGnBu",cbar=True) #cmap指定圖形顏色，cbar表示是否繪制右側(cè)圖例。 |
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
也許是最全java資料?。ㄎ臋n+項(xiàng)目+資料）【點(diǎn)擊下載】 和努力的人一起學(xué)習(xí)Java！
聯(lián)系客服
