python数据分析010_seaborn的绘图方式

一.单变量分析绘图

  1.什么是单变量分析?

    单变量其实就是我们通常接触到的数据集中的一列数据  

  2.使用NumPy模块从标准正态分布中随机地抽取1000个数,作为我们的连续数值型数据。

    data = np.random.normal(size=1000) random是NumPy的一个随机模块,在random模块中的normal方法表示从正态分布中随机产生size个数值。

  3.在seaborn里最常用的观察单变量分布的函数是distplot(),默认地,这个函数会绘制一个直方图,并拟合一个核密度估计。

    sns.distplot(data, bins, hist = True, kde = True)

    data参数记录绘图所用的数据,而bins参数在绘制直方图时可以进行设置,用于设置分组的个数,默认值时,会根据数据的情况自动分为n个组,若是想指定分组的个数,可以设置该参数,然后计算我们可以增加其数量,来看到更为详细的信息。

    hist和kde参数用于调节是否显示直方图及核密度估计图,默认hist、kde均为True,表示两者都显示。我们可以通过修改参数为False选择是否将其中之一去掉。

  • import numpy as np
  • import seaborn as sns
  • # 从标准正态分布中随机地抽取1000个数
  • data = np.random.normal(size=1000)
  • sns.set(style='darkgrid')
  • sns.distplot(data,10,kde=True, hist=True)

  4.使用sns.kdeplot()函数绘制数据的概率密度曲线图。

    sns.kdeplot(data1, data2, shade = False)

    shade参数用于设置图像下方的部分是否设置阴影,默认值为False,表示不绘制阴影。

  • import numpy as np
  • import seaborn as sns
  • data = np.random.normal(size=1000)
  • sns.set(style='darkgrid')
  • sns.kdeplot(data, shade = True)

二.绘制双变量联合分布图

  1.在Seaborn中绘制连续数值型双变量我们使用sns.jointplot():

    seaborn.jointplot(x, y, data=None, kind='scatter')

    x、y:分别记录x轴和y轴的数据名称。

    data:数据集,data的数据类型为DataFrame。

     kind:用于设置图像的类型,可选的类型有:'scatter' | 'reg' | 'resid' | 'kde' | 'hex',分别表示散点图、回归图、残差图、核密度图和蜂巢图。
  • import numpy as np
  • import pandas as pd
  • import matplotlib.pyplot as plt
  • import seaborn as sns
  • # 创建dataframe: df
  • df = pd.DataFrame({'x': np.random.normal(size=500),
  • 'y': np.random.normal(size=500)})
  • # 绘制双变量散点图
  • sns.jointplot(x='x', y='y', data=df,kind='reg')
  • plt.show()

三.多变量关系分布图

  1.使用seaborn中的pairplot()方法,就可以绘制连续数值型多变量关系分布图

    sns.pairplot( data, hue, vars, kind, diag_kind)

  参数介绍

  • data表示绘图所用到的数据集
  • hue参数表示按照某个字段进行分类
  • vars参数可以用于筛选绘制图像的变量,用列表的形式传入列名称
  • kind参数用于设置变量间图像的类型,可以选择'scatter'散点图,或者 'reg'回归图
  • diag_kind用于设置对角线上的图像类型,可以选择'hist'直方图, 或者'kde'核密度图

  代码:

  • import pandas as pd
  • import matplotlib.pyplot as plt
  • import seaborn as sns
  • data = pd.read_csv('/data/course_data/data_analysis/iris.csv')
  • # 双变量图像设置为回归图,单变量(对角线图)设置为核密度图
  • sns.pairplot(data, hue='species',vars=['sepal_length', 'sepal_width'],kind='reg', diag_kind='kde')
  • plt.show()

四.总结

 

posted @ 2020-06-01 19:00  番薯大大  阅读(543)  评论(0编辑  收藏  举报