Python数据可视化——Seaborn笔记

写在前面：只记录本人在Kaggle数据可视化课程学习过程中，Seaborn模块的常用方法及部分效果图笔记，数据类型不作介绍和处理
课程链接Kaggle数据可视化课程

导入模块

import pandas as pd
pd.plotting.register_matplotlib_converters()
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns

数据可视化

1. 曲线图lineplot

# Set the width and height of the figure
plt.figure(figsize=(16,6))
# 曲线图（此处示例数据为日期索引）
sns.lineplot(data=fifa_data)

也可以单独选取列数据作图

sns.lineplot(data=spotify_data['Shape of You'], label="Shape of You")
sns.lineplot(data=spotify_data['Despacito'], label="Despacito")
plt.xlabel("Date")

2. 条形图（barplot）

# Bar chart showing average score for racing games by platform
plt.figure(figsize=(8, 6))
sns.barplot(x=ign_data['Racing'], y=ign_data.index) # Your code here
# Add label for horizontal axis
plt.xlabel("Average Score")
# Add label for vertical axis
plt.title("Average Score for Racing Games, by Platform")

3.热图（heatmap）

# Heatmap showing average game score by platform and genre
plt.figure(figsize=(10,10))
sns.heatmap(ign_data, annot=True) 
# 
# Add label for horizontal axis
plt.xlabel("Genre")
# Add label for vertical axis
plt.title("Average Game Score, by Platform and Genre")

annot=True- 加载数据集时，确保每个单元格的值都显示在图表上（忽略此操作将删除每个单元格中的数值）

4.散点图（scatterplot）

4.1 普通散点图

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

4.2 回归线散点图

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

4.3 多变量特征散点图

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

4.4 多变量特征回归线散点图（注意此处坐标轴设置方式）

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

4.5 不同特征变量对比散点图（方便对比关键特征变量）

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

5. 直方图

iris数据

5.1 普通直方图

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

kde=False必须提供该参数，设置为True则会在直方图的基础上显示KDE曲线。

5.2 彩色直方图

使用不同颜色标识不同标签数据的直方图

# Histograms for each species
sns.distplot(a=iris_set_data['Petal Length (cm)'], label="Iris-setosa", kde=False)
sns.distplot(a=iris_ver_data['Petal Length (cm)'], label="Iris-versicolor", kde=False)
sns.distplot(a=iris_vir_data['Petal Length (cm)'], label="Iris-virginica", kde=False)

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

# Force legend to appear
plt.legend()

6. 核密度估计图（kernel density estimate，KDE）

6.1 KDE

# KDE plot 
sns.kdeplot(data=iris_data['Petal Length (cm)'], shade=True)
# shade=True 表示将曲线下方区域用颜色标记

6.2 2D KDE

# 2D KDE plot
sns.jointplot(x=iris_data['Petal Length (cm)'], y=iris_data['Sepal Width (cm)'], kind="kde")

6.3 彩色KDE

使用不同颜色标识不同标签数据

# 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")

持续更新中~（2020-5-8）