python笔记----seaborn（2）：多变量分析绘图

#coding=utf-8
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib as mpl

sns.set(style = "whitegrid",color_codes = True)
np.random.seed(sum(map(ord,"categorical")))

titanic = sns.load_dataset("titanic")#载入3个sns自带的数据集
tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")

#多变量分析绘图

sns.stripplot(x = "day",y = "total_bill",data = tips,jitter = False)#输出此数据的"星期"项
plt.show()#星期只有7个值 大量数据会混在一起 互相遮挡 重叠

sns.stripplot(x = "day",y = "total_bill",data = tips,jitter = True)#数据左右偏移
plt.show()

sns.swarmplot(x = "day",y = "total_bill",data = tips)#也是偏移但美观些
plt.show()

sns.swarmplot(x = "day",y = "total_bill",hue = "sex",data = tips)#hue = 要统计的特征
plt.show()

sns.swarmplot(x = "total_bill",y = "day",hue = "sex",data = tips)#x、y互换 竖着画
plt.show()

#小提琴图
sns.violinplot(x = "day",y = "total_bill",hue = "sex",data = tips)
plt.show()

sns.violinplot(x = "day",y = "total_bill",hue = "sex",data = tips,split = True)
plt.show()

#合并 点图和小提琴图合并 两条语句构成此效果
sns.violinplot(x = "day",y = "total_bill",data = tips,inner = None)
sns.swarmplot(x = "day",y = "total_bill",data = tips,color = "w",alpha = 0.8)
plt.show()

#泰坦尼克数据按照不同性别在不同等级的船舱的获救概率
sns.barplot(x = "sex",y = "survived",hue = "class",data = titanic);
plt.show()

#同样的数据改用点图绘制 点图可以更好的描述变化差异
sns.pointplot(x = "sex",y = "survived",hue = "class",data = titanic);
plt.show()

#点图设置颜色使更美观
sns.pointplot(x = "class",y = "survived",hue = "sex",data = titanic,
              palette = {"male":"g","female":"m"},
              markers = ["^", "o"], 
              linestyles = ["-", "--"]);
plt.show()

#多层面板分类图    常用函数：sns.factorplot 此函数可画各种图 kind参数指定图形类型

seaborn.factorplot(x=None, 
           y=None, 
           hue=None, 
           data=None, 
           row=None, 
           col=None, 
           col_wrap=None, 
           estimator=, 
           ci=95, 
           n_boot=1000, 
           units=None, 
           order=None, 
           hue_order=None, 
           row_order=None, 
           col_order=None, 
           kind='point', 
           size=4, 
           aspect=1, 
           orient=None, 
           color=None, 
           palette=None, 
           legend=True, 
           legend_out=True, 
           sharex=True, 
           sharey=True, 
           margin_titles=False, 
           facet_kws=None, 
           **kwargs)

Parameters：
x,y,hue：数据集变量 变量名
date：数据集 数据集名
row,col：更多分类变量进行平铺显示 变量名
col_wrap：每行的最高平铺数 整数
estimator：在每个分类中进行矢量到标量的映射 矢量
ci：置信区间 浮点数或None
n_boot：计算置信区间时使用的引导迭代次数 整数
units：采样单元的标识符，用于执行多级引导和重复测量设计 数据变量或向量数据
order, hue_order：对应排序列表 字符串列表
row_order, col_order：对应排序列表 字符串列表
kind : 可选：point 默认, bar 柱形图, count 频次, box 箱体, violin 提琴, strip 散点，swarm 分散点 
size：每个面的高度（英寸） 标量 
aspect：纵横比 标量 
orient：方向 "v"/"h" 
color：颜色 matplotlib颜色 
palette：调色板 
seaborn：颜色色板或字典 
legend：hue的信息面板 True/False 
legend_out：是否扩展图形，并将信息框绘制在中心右边 True/False 
share{x,y}：共享轴线 True/False

sns.factorplot(x = "day",y = "total_bill",hue = "smoker",data = tips)#默认画折线图
plt.show()

sns.factorplot(x = "day",y = "total_bill",hue = "smoker",data = tips,kind = "bar")#设置画条形图
plt.show()

sns.factorplot(x = "day",y = "total_bill",hue = "smoker",col = "time",data = tips,kind = "swarm")
plt.show()

#FacetGrid用做绘制数据集的子集 即用于绘制各变量之间的关系图
print(tips.head())
g = sns.FacetGrid(tips,col = "sex",hue = "smoker")
g.map(plt.scatter,"total_bill","tip",alpha = 0.7)
plt.show()