【Seaborn】数据可视化教程（下）

散点图

基础的散点图

预览数据：

设个数据集一共有7个维度，其中数值型数据为：

• bmi
• charges

分类型数据为：

• age
• sex
• children
• smoker
• region

在数据可视化之前，需要先区分数据类型，这一方式有利于我们在可视化阶段设置参数和选择维度。

可视化结果：

sns.scatterplot(x=insurance_data['bmi'], y=insurance_data['charges'])

scatterplot

可以发现，散点图：scatterplot的横纵轴都是数值型数据。

再来看另一个散点图：

sns.regplot(x=insurance_data['bmi'], y=insurance_data['charges'])

regplot

seaborn.regplot可以返回带回归曲线的散点图。

怎么用上标签？

我们在分析数据集的时候，可以使用分类型数据，为数据加上标签：

sns.scatterplot(x=insurance_data['bmi'], y=insurance_data['charges'], hue=insurance_data['smoker'])

scatterplot with hue

这个散点图比上文的散点图多了一个参数：hue=insurance_data['smoker']，smoker变量是二元变量，所以会将散点图的数据点分为两种颜色。

sns.lmplot(x="bmi", y="charges", hue="smoker", data=insurance_data)

lmplot

sns.swarmplot(x=insurance_data['smoker'], y=insurance_data['charges'])

swarmplot

seaborn.swarmplot用于查看数据的分布

频率直方图和密度图

直方图

sns.distplot(a=iris_data['Petal Length (cm)'], kde=False)

distplot

seaborn.distplot函数的输入是一列数据，因为直方图用于统计

密度图

sns.kdeplot(data=iris_data['Petal Length (cm)'], shade=True)

2D KDE plots

sns.jointplot(x=iris_data['Petal Length (cm)'], y=iris_data['Sepal Width (cm)'], kind="kde")

2D KDE plots

KDE重叠

# KDE plots for each species
sns.kdeplot(data=iris_set_data['Petal Length (cm)'], label="Iris-setosa", shade=True)
sns.kdeplot(data=iris_ver_data['Petal Length (cm)'], label="Iris-versicolor", shade=True)
sns.kdeplot(data=iris_vir_data['Petal Length (cm)'], label="Iris-virginica", shade=True)

# Add title
plt.title("Distribution of Petal Lengths, by Species")