Python Seaborn 基本数据排名分析

​

 

Python 中使用 Seaborn 进行基本的数据排名分析通常涉及到可视化数据的分布和排名。Seaborn 是一个基于 Matplotlib 的数据可视化库，提供了丰富的图表类型，使得数据分析更加直观。可以对数据进行初步的排名分析，了解数据的基本分布情况，从而为更深入的数据分析打下基础。

1、条形图

条形图用于显示离散变量的值。在排名分析中，它可以用来表示不同类别的数量或平均值。使用barplot()绘制条形图的函数，常用参数如下，

参数	描述
x	指定数据的横轴变量
y	指定数据的纵轴变量
hue	在同一图中添加另一个类别维度
data	要使用的数据集，通常是 pandas 的 DataFrame
order	控制条形的顺序
hue_order	使用 hue 时控制不同 hue 类别的顺序
estimator	用于聚合的统计函数，默认是平均值
ci	置信区间的大小，默认是 95%
n_boot	计算置信区间的引导样本的数量
orient	控制条形图的方向，'v' 垂直，'h' 水平
color	设置所有条形的颜色
palette	为不同的类别指定不同的颜色
saturation	设置颜色的饱和度
errcolor	错误条的颜色
errwidth	错误条的宽度
capsize	错误条两端的横杠大小
dodge	使用 hue 时，控制条形是否应该分开

使用示例：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 生成示例数据集
tips =  pd.DataFrame({
    'total_bill': [16.99, 10.34, 21.01, 23.68, 24.59],
    'tip': [1.01, 1.66, 3.50, 3.31, 3.61],
    'sex': ['Female', 'Male', 'Male', 'Male', 'Female'],
    'smoker': ['No', 'Yes', 'No', 'Yes', 'No'],
    'day': ['Sun', 'Thur', 'Sat', 'Sun', 'Fri'],
    'size': [2, 3, 3, 2, 4]
})

# 设置 seaborn 样式
sns.set(style="whitegrid")

sns.barplot(x="day", 
            y="total_bill", 
            hue="sex", 
            data=tips, 
            order=["Thur", "Fri", "Sat", "Sun"], 
            hue_order=["Female", "Male"],
            estimator=sum, 
            ci=95, 
            n_boot=1000, 
            orient="v", 
            color="blue", 
            palette="deep", 
            saturation=0.5, 
            errcolor="gray", 
            errwidth=1, 
            capsize=0.1, 
            dodge=True)

# 添加图表标题和标签
plt.title('cjavapy')

plt.draw()

# 展示图表
plt.show()

2、计数图

计数图是条形图的一个特例，用于显示每个类别的观察数量。使用 countplot() 绘制计数图用于显示类别变量中每个类别的观察数量。常用参数如下，

参数名称	描述
data	输入数据，可以是 DataFrame、数组、列表等。
x, y	数据中的变量，用于沿 x 轴或 y 轴绘制计数。
hue	分类变量名，用于数据分组，以不同颜色区分。
order	控制主分类的顺序。
hue_order	控制 hue 分类的顺序。
orient	设置图的方向，"v" 为垂直，"h" 为水平。
color	设置所有条形的颜色。
palette	设置不同的颜色，常用于 hue 参数。
saturation	调整颜色的饱和度。
dodge	设置条形是否分开或堆叠，用于 hue 参数。
ax	指定在哪个 matplotlib 的 Axes 对象上绘图。
kwargs	传递给底层 matplotlib 函数的其他关键字参数，用于自定义图表。

使用示例：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 创建示例数据
np.random.seed(0)
data = pd.DataFrame({
    'Fruit': np.random.choice(['Apple', 'Banana', 'Orange', 'Grapes'], size=100),
    'Gender': np.random.choice(['Male', 'Female'], size=100)
})

# 创建 countplot
plt.figure(figsize=(10, 6))
sns.countplot(
    data=data,
    x='Fruit',
    hue='Gender',
    order=['Apple', 'Banana', 'Orange', 'Grapes'],  # 控制主分类的顺序
    hue_order=['Male', 'Female'],  # 控制hue分类的顺序
    orient='v',
    color='blue',
    palette='Set1',  # 颜色板
    saturation=0.8,
    dodge=True  # 分开显示每个 hue 类别
)

# 添加标题
plt.title('cjavapy')
plt.draw()
plt.show()

3、线图

数据点是连续的或有时间序列时，线图是一个好选择。它可以展示趋势和排名的变化。使用lineplot() 是 Seaborn 中用于绘制线性数据的一个非常有用的函数。常用参数如下，

参数	描述
data	DataFrame、数组或列表类型的数据集
x	指定数据集中用于横轴的变量
y	指定数据集中用于纵轴的变量
hue	数据的分类变量名称，用于颜色区分
style	数据的分类变量名称，用于线条样式
size	数据的分类变量名称，用于线条粗细
palette	设置线条颜色
markers	是否在每个数据点处显示标记
dashes	是否为不同的类使用不同的线型
estimator	控制每个 x 值点处 y 值的估计方式
ci	控制置信区间的大小
errorbar	错误条形式
n_boot	计算置信区间时的引导样本数量

使用示例：Python Seaborn 基本数据排名分析-CJavaPy

​