python数据可视化seaborn（三）——探索变量之间的关系

python数据可视化seaborn（三）——探索变量之间的关系

我们常常想知道变量之间是否存在关联，以及这些关联是否收到其他变量影响。可视化能够帮助我们非常直观的展示这些。

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

import warnings
warnings.filterwarnings('ignore') 
# 不发出警告
sns.set_context('notebook',font_scale=1.2)
tips = sns.load_dataset("tips")
tips.head()

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

relplot

这是一个seaborn新的图形级函数，通过kind参数，能对scatterplot()和lineplot()两个轴级函数进行访问。

*seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None, style_order=None, legend=‘brief’, kind=‘scatter’, height=5, aspect=1, facet_kws=None, *kwargs)

• [hue,size,style]: 可以生成不同的颜色，大小，样式来独立的显示第三个变量
• [row,col]: 按照某个变量分列或者分行
• col_wrap: int, 分成几列（不能与参数row共同出现）
• sizes: 对size参数的每个分类设定大小
  • 大小值列表
  • 变量到大小的字典映射
  • 包含最大最小的元组,会在此范围对值归一化
• [col,row,size,hue,style]_order: 指定变量出现的顺序。
• hue_norm: 当hue的变量值数字时，用于将colormap标准化，如果是分类变量则无关。
• size_norm: 数据单元的标准化，当size变量为数字时缩放图像
• legend: 如何绘制图例
  • False：不绘制图例
  • ‘brief’(默认)：数值型的hue和size参数会用均匀间隔的样本表示
  • ‘full’：对比‘brief’,每个组都会在图例中输出一个条目
• facet_kws: 要传递给FacetGrid其他参数的字典

散点图

sns.relplot(x="total_bill", y="tip", data=tips,
            kind='scatter', # ['scatter','line']
            hue='day',  # 设置按颜色分类的第三变量
#             style='day', # 设置形状分类
            palette='husl',s=60, # 设置调色盘类型和散点大小
            aspect=1.5,height=6  # 设置图像大小和横纵比
           )

![png](output_5_1.png

可以看到，小费与消费总体呈线性正相关，那精确到不同日期，有什么不同么？上图颜色虽有区分但是不够明显，
seaborn可以将分类变量分别绘制到不同的子图中，如下图所示：

sns.relplot(x="total_bill", y="tip", data=tips,
            hue="time", # 用颜色对time变量分类
            col="day", # 按照day变量分列
            col_wrap=2, # 每行2个分类
            s=100, # 散点大小（来自plt.scatter的参数）
            height=3,aspect=1.5)# 图像大小及每个轴的横纵比

当然，也可以用大小来展示变量的大小强弱等

sns.relplot(x="total_bill", y="tip", data=tips,
            hue="time", size="size",
            palette=["b", "r"],
            sizes=(30, 120),# size大小按照最小20最大120分布
            col="time")# 按照time分列

当然也可以将点设置成不同的形状来区分类别，但是不建议单独将一个变量与形状表示，因为形状的区分不是很明显，建议和颜色一同使用。

sns.relplot(x='total_bill',y='tip',data=tips,
            hue='smoker',style='smoker',s=50)

颜色既可以展示离散变量，也可以展示连续变量，还可以对调色盘自定义

sns.relplot(x='total_bill',y='tip',data=tips,
            hue='size',palette='ch:r=-.5,l=.75')

线图

用relpot绘制线图其实是对lineplot()函数的访问，所以lineplot的所有参数都可以用在这里面。同样的，scatterplot()函数的参数设置与此几乎相同。
*seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator=‘mean’, ci=95, n_boot=1000, sort=True, err_style=‘band’, err_kws=None, legend=‘brief’, ax=None, *kwargs)

• units: 对变量的每个采样单独绘制，但不会绘制图例。可用于绘制重复数据。
• estimator：pandas方法的名称或None,对同一x变量的多个观察值进行聚合的方法。
• ci: [int,‘sd’,None],置信区间的大小，当为‘sd’时绘制数据的标准差。
• n_boot: int, 计算置信区间的bootstrap数
• sort: bool, 数据将按照x和y变量排序，否则将按照他们在数据集中的顺序排列点
• err_style: “band"和"bars”,置信区间风格

fmri = sns.load_dataset("fmri")
print(fmri.head())
g = sns.relplot(x="timepoint", y="signal", data=fmri,
                hue="event", style="event", 
                col="region", 
                markers=True,dashes=False,# 添加标记，禁止虚线
                kind="line")

  subject  timepoint event    region    signal
0     s13         18  stim  parietal -0.017552
1      s5         14  stim  parietal -0.080883
2     s12         18  stim  parietal -0.081033
3     s11         18  stim  parietal -0.046134
4     s10         18  stim  parietal -0.037970

1. lineplot()在默认情况下会将x按照数值进行排序，也可以禁止。
2. 对于某些复杂的数据集，例如上面的fmri数据集。同一个x会有多个测量值。seaborn的默认行为是通过绘制平均值和平均值周围的95%置信区间来聚合每个x的多个测量值。对于大型数据绘制置信区间可能会用较长时间，所以可以通过ci=None来禁止。当然也可以将置信区间替换成标准差ci="sd"

sns.relplot(x="timepoint", y="signal",
                data=fmri,sort=False, # 禁止对x排序
                kind="line",ci=False) # 禁止有置信区间

要完全关闭聚合，可以这么设置estimator=None，不过当数据在每个点有多个观察值时，可能会产生奇怪的效果

sns.relplot(x="timepoint", y="signal", estimator=None, kind="line", data=fmri)

有时候我们需要对同一个问题做重复测量并比较。那么seaborn也可以单独绘制

sns.relplot(x="timepoint", y="signal", hue="region",
            units="subject", estimator=None,
            kind="line", data=fmri.query("event == 'stim'"))

线图通常用于可视化与实际日期和时间相关的数据。这些函数将原始格式的数据传递给底层matplotlib函数，因此它们可以利用matplotlib在刻度标签中格式化日期的能力。但是所有的格式化都必须在matplotlib层进行，您可以参考matplotlib文档来了解它是如何工作的：

fig = plt.figure(figsize=(8,6))
df = pd.DataFrame(dict(time=pd.date_range("2017-1-1", periods=500),
                       value=np.random.randn(500).cumsum()))
g = sns.relplot(x="time", y="value", kind="line", data=df)
g.fig.autofmt_xdate()   # 当X轴是时间格式时，用此方法旋转避免重叠。

如果要检查变量多个分类的效果，最好将它放在列上分类。

sns.relplot(x="timepoint", y="signal", hue="event", style="event",
            col="subject", col_wrap=5,
            height=3, aspect=.75, linewidth=2.5,
            kind="line", data=fmri.query("region == 'frontal'"))

下篇文章，我们讨论seaborn中的线性关系可视化