Python可视化知识点总结（2）：seaborn

python可视化总结

Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。

1、seaborn 安装

pip install seaborn

2、导入数据

tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")

3、绘制分布图

sns.distplot(a,#series,一维数组
                    bins=None，#直方图组数
                    hist=True，#直方图
                     kde=True,#核密度
                      label=None#图标签
）

image.png

4、散点图

4.1

# 返回的结果是散点图，以及两个变量的直方图
sns.jointplot(x = "sepal_length",#x坐标数据
                     y = "sepal_width",    #y轴坐标数据
                      data=iris，#数据来源
                       kind=‘scatter’,#图样为散点图，kind={‘scatter’，‘reg’，‘resid’，‘kde’，‘hex’}
                       dropna=True,
                       xlim=None,ylim=None)

image.png

4.2 绘制不同列之间的散点图，对角线即为直方图

sns.pairplot(data，
                    hue=None，#种类
                     kind=‘scatter’，
                      diag_kind='hist')

image.png

4.3 绘制分布散点图

4.3.1

sns.stripplot(x,y,
              hue=None,
              data=None,
              jitter=False#jitter=True表示点不重合）

jitter=False的情况

jitter=True的情况

4.3.2 point不重合

sns.swarmplot(x,y,data,hue)

image.png

5、绘制柱状图

sns.barplot(x,y,hue,data)

image.png

6、线性回归拟合

sns.lmplot(x,y,data,
          order=1,#n阶拟合，默认为1
          robust=False,#鲁棒性回归，剔除异常值
          ci=95,#置信区间
          fit_reg=True#曲线拟合)

一阶拟合

二阶拟合

非鲁棒性回归

鲁棒性回归后

7、构建结构化多绘图网格

FacetGrid使用数据集和用于构造网格的变量初始化对象。然后，可以通过调用FacetGrid.map()或将一个或多个绘图函数应用于每个子集 FacetGrid.map_dataframe()。最后，可以使用其他方法调整绘图，以执行更改轴标签，使用不同刻度或添加图例等操作

g = sns.FacetGrid(data,row,col,hue=None)
g.map(plt.hist,'data')
g.map(plt.scatter,'x_label','y_label')