python可视化工具——seaborn模块

python可视化工具——seaborn模块

• 参考Python数据可视化的完整版操作指南（建议收藏）

• 导入模块

  import seaborn as sns
  sns.set()  #初始化图形样式，若没有该命令，图形将具有与matplotlib相同的样式
  

• 读取数据

  df = pd.read_csv('D:\Graduate\python_studying\datasets-master\\temporal.csv')
  df.head()
  

• 散点图

  import pandas as pd
  df['Mes'] = pd.to_datetime(df.Mes) #将Mes列的类型转换为日期，防止画图时横坐标重叠
  sns.scatterplot(df['Mes'],df['data science'])
  

• 在同一张图中添加两个以上变量的信息，用颜色、大小来表示变量的值

  sns.relplot(x='Mes', y='deep learning', hue='data science', size='machine learning', col='categorical', data=df)
  

• 热图

  sns.heatmap(df.corr(), annot=True, fmt='.2f')
  

• 配对图，显示所有变量之间的关系

  sns.pairplot(df)
  

• 按类别做配对图

  sns.pairplot(df, hue='categorical')  #categorical是分类变量
  

• 联合图

  sns.jointplot(x='data science', y='machine learning', data=df)  #散点图与直方图的联合图
  

• 小提琴图

  sns.catplot(x='categorical', y='data science', kind='violin', data=df)
  

小提琴图的顺序可以由参数order指定;
参数linewidth设置线宽；
参数width设置小提琴的宽。

##设置网格线、背景色、边框线
plt.figure(figsize=(8,6), facecolor='white', edgecolor='black')
ax = sns.violinplot(x='categorical', y='data science', data=df)
ax.patch.set_facecolor('blue')
ax.patch.set_alpha(0.2)
ax.spines['right'].set_color('black')
ax.spines['left'].set_color('black')
ax.spines['top'].set_color('black')
ax.spines['bottom'].set_color('black')
plt.grid(False)

## 绘制小提琴图，并增加散点分布
ax = sns.violinplot(x='categorical', y='data science', data=df)
ax = sns.swarmplot(x='categorical', y='data science', data=df, color='gray')

• 分组小提琴图

  df['day'] = df['Mes'].dt.day_name() #增加一列'day'，表示星期几
  sns.catplot(x='day', y='data science', hue='categorical', kind='violin', data=df)
  

或者：

sns.violinplot(x='day', y='data science', hue='categorical', data=df, palette="Set2", split=True, scale="count", inner="box") #palette表示颜色，split表示是否把两类画到一起，inner="box"内部是箱线图

• 箱线图

  sns.boxplot()，用法与小提琴图一样。
  参数notch可以指定是否有缺口，值为True时有缺口。

• 创建多个图形

  import matplotlib.pyplot as plt
  plt.subplot(121)
  sns.scatterplot(x='Mes', y='deep learning', hue='categorical', data=df)
  plt.title('Deep learning')
  plt.subplot(122)
  sns.scatterplot(x='Mes',y='machine learning', hue='categorical', data=df)
  plt.title('Machine learning')
  

或者：

import matplotlib.pyplot as plt
fig, axes = plt.subplots(1, 2, sharey=True, figsize=(8,4))
sns.scatterplot(x='Mes', y='deep learning', hue='categorical', data=df, ax=axes[0])
axes[0].set_title('Deep learning')
sns.scatterplot(x='Mes',y='machine learning', hue='categorical', data=df, ax=axes[1])
axes[1].set_title('Machine learning')

• 柱状图

  ## 语法
  sns.barplot(x=None, y=None, hue=None, 
  			data=None, order=None, hue_order=None, 
  			estimator=<function mean>, ci=95, 
  			n_boot=1000, units=None, orient=None, 
  			color=None, palette=None, saturation=0.75, 
  			errcolor='.26', errwidth=None, capsize=None, 
  			dodge=True, ax=None, **kwargs)
  

  x：x轴数据

  y：y轴数据

  hue：分类依据

  data：数据来自哪个DataFrame

  order：x轴显示的顺序

  hue_order：分类标签的顺序

  estimator：对每个柱子的统计函数，默认是均值

  ci：绘制误差条时置信区间的大小

  n_boot：计算置信区间时使用的引导迭代次数

  orient：图的显示方向，默认垂直

  palette：调试板名称，列表或字典类型，设置hue指定的变量的不同类别的颜色

  saturation：饱和度

  errcolor：误差条的颜色

  errwidth：误差条的宽度

  capsize：误差条上横线的宽度

  dodge：使用色调嵌套时，是否应沿分类轴移动元素

• 点图

  ## 语法
  sns.pointplot(x=None, y=None, hue=None, 
             	data=None, order=None, hue_order=None, 
              estimator=<function mean>, ci=95, n_boot=1000, units=None, 
              markers='o', linestyles='-', dodge=False, join=True, scale=1, 
              orient=None, color=None, palette=None, errwidth=None, capsize=None, 
              ax=None, **kwargs)
  

• 多图网络 sns.FacetGrid

  ## 语法
  sns.FacetGrid(data,row=None,col=None,hue=None,col_wrap=None,
                sharex=True,sharey=True,height=3,aspect=1,palette=None,
                row_order=None,col_order=None,hue_order=None,hue_kws=None,
                dropna=True,legend_out=True,despine=True,margin_titles=False,
                xlim=None,ylim=None,subplot_kws=None,gridspec_kws=None,size=None)
  

  ## 示例
  import pandas as pd
  import numpy as np
  import seaborn as sns
  df = pd.DataFrame([['red','A',18,'male'],
                    ['green','B',20,'female'],
                    ['blue','A',21,'female'],
                    ['blue','A',20,'female'],
                    ['red','B',21,'male'],
                    ['blue','A',21,'male'],
                    ['green','A',18,'female'],
                      ['blue','A',20,'female'],
                     ['blue','B',20,'female'],
                     ['blue','A',20,'male'],
                     ['red','A',21,'female'],
                     ['red','B',20,'female'],
                     ['blue','A',18,'male'],
                     ['green','A',20,'female'],
                     ['green','B',19,'female'],
                     ['green','B',20,'male'],
                     ['green','A',18,'female']
                    ])
  df.columns = ['color','class','age','sex']
  g = sns.FacetGrid(df, col='color')
  g.map(sns.pointplot, 'class', 'age')
  

• 核密度估计图

  ## 语法
  sns.kdeplot(data,data2=None,shade=False,vertical=False,kernel='gau',bw='scott',gridsize=100,cut=3,clip=None,legend=True,cumulative=False,shade_lowest=True,cbar=False, cbar_ax=None, cbar_kws=None, ax=None, *kwargs)
  

  ## 示例
  import numpy as np
  x = np.random.randn(100)
  sns.kdeplot(x, shade=True, color='g')
  

sns.kdeplot(x, shade=True, color='pink', cumulative=True) #累积分布图