【Python】参考ggplot2，Seaborn将迎来超大版本更新！

最新消息，Seaborn将迎来API重写级别版本更新，本文罗列重大改变，太值得期待了！

• Matplotlib是Python最重要的可视化库，但是，过于复杂，Seaborn对其主要功能做了封装，隐藏复杂参数，仅需要几行代码就可以实现优美的统计图，但功能有限：Seaborn；

• 此次更新主要拓展Seaborn的核心功能 —与pandas的集成、数据和图形之间的自动映射、统计转换 — 使得Seaborn成为一个更具组合性、可扩展性和全面性的可视化库。

• 作者直言，更新灵感不少源于R语言中ggplot2背后的图层图形语法，去其糟粕，取其精华，做了很多优化，但是Seaborn不等于Python版ggplot2 (plotnine)；

• 为了这次更新，已经开发了8个月，依旧还有很多工作要做，更新版具体发布时间待定，但是会在发布前发布系列alpha/beta releases，以获取测试反馈。

---

下面看看主要哪些方面发生了更新

嫌长文，直接看文章末尾小结。

基本语法

导入Seaborn

#方法一
import seaborn.objects as so #不再是import seaborn as sns

#方法二
from seaborn.objects import *

绘图主函数变成了seaborn.objects.Plot

import seaborn
tips = seaborn.load_dataset("tips") #导入内置数据

so.Plot(tips, x="total_bill", y="tip") #绘制空Figure

add在Figure上添加散点图层，

so.Plot(tips, x="total_bill", y="tip").add(so.Scatter()) 
#.add(so.Scatter())是不是有ggplot2 + 添加图层的影子～

全局个性化，

so.Plot(tips).add(so.Scatter(), x="total_bill", y="tip")

每个图层个性化，

(
    so.Plot(tips, x="total_bill", y="tip")
    .add(so.Scatter(color=".6"))
    .add(so.Scatter(), data=tips.query("size == 2"))
)

(
    so.Plot(tips, x="total_bill", y="tip", color="day", fill="time")
    .add(so.Scatter(fillalpha=.8))
)

核心组件1-图层对象Mark

每个图层都需要一个Mark对象，它定义了如何绘制绘图。将对应于现有seaborn功能和提供新功能的标记，但是，很多还没有实现，

so.Plot(tips, y="day", x="total_bill")
.add(so.Dot(color="#698", alpha=.5)) #直接设置Mark(此处为Dot)特性，而不是映射它们.

核心组件2-数据转换Stat

在新版本中，每个层都可以接受一个数据转换的Stat对象，

so.Plot(fmri, x="timepoint", y="signal", color="event").add(so.Line(), so.Agg(), group="subject")

自定义Mark和Stat对象

class PeakAnnotation(so.Mark):
    def _plot_split(self, keys, data, ax, kws):
        ix = data["y"].idxmax()
        ax.annotate(
            "The peak", data.loc[ix, ["x", "y"]],
            xytext=(10, -100), textcoords="offset points",
            va="top", ha="center",
            arrowprops=dict(arrowstyle="->", color=".2"),

        )

(
    so.Plot(fmri, x="timepoint", y="signal")
    .add(so.Line(), so.Agg())
    .add(PeakAnnotation(), so.Agg())
)

核心组件3-图形自适应the Move

新版本里，图形的一些调整都汇聚在move对象中，取代老版本中的dodge=xx、jitter=xx、multiple=xx等设置，

(
    so.Plot(tips, "day", "total_bill", color="time", alpha="sex")
    .add(so.Bar(), so.Agg(), move=so.Dodge())
)

(
    so.Plot(tips, "day", "total_bill", color="time", alpha="smoker")
    .add(so.Dot(), move=[so.Dodge(by=["color"]), so.Jitter(.5)])
)

个性化设置

新版本将添加更多图形个性化设置功能，

(
    so.Plot(planets, x="mass", y="distance", color="year")
    .map_color("flare", norm=(2000, 2010))
    .scale_numeric("x", "log")
    .add(so.Scatter(pointsize=3))
)
#以上设置顺序不分先后

(
    so.Plot(planets, y="year", x="orbital_period")
    .scale_numeric("x", "log")
    .add(so.Scatter(alpha=.5, marker="x"), color="method")
    .add(so.Line(linewidth=2, color=".2"), so.Agg(), orient="h")
)

子图定义

新版本中分面Facet被隐式地内置，

(
    so.Plot(tips, x="total_bill", y="tip")
    .facet("time", order=["Dinner", "Lunch"])
    .add(so.Scatter())
)

注意区别于老版本的FacetGrid，

(
    so.Plot(tips, x="total_bill", y="tip", col="day")
    .add(so.Scatter(color=".75"), col=None)
    .add(so.Scatter(), color="day")
    .configure(figsize=(7, 3))
)

新版本依旧包含PairGrid功能，

(
    so.Plot(tips, y="day")
    .pair(x=["total_bill", "tip"])
    .add(so.Dot())
)

FacetGrid和PairGrid可联合使用，

(
    so.Plot(tips, x="day")
    .facet("sex")
    .pair(y=["total_bill", "tip"])
    .add(so.Dot())
)

faceted和paired图均可沿着列和行“wrapped”，

class Histogram(so.Mark):  # TODO replace once we implement
    def _plot_split(self, keys, data, ax, kws):
        ax.hist(data["x"], bins="auto", **kws)
        ax.set_ylabel("count")

(
    so.Plot(tips)
    .pair(x=tips.columns, wrap=3)
    .configure(sharey=False)
    .add(Histogram())
)

总之，新版本中，“axes-level” 和“figure-level” 无差异。

图形迭代、渲染

迭代：可定义一个基础图形，然后按需求在基础图形上绘制不同图形，不同图形之间相互独立，

#定义基础图形p
p = (
    so.Plot(fmri, x="timepoint", y="signal", color="event")
    .map_color(palette="crest")
)

p.add(so.Line()) #绘制折线图

p.add(so.Line(), group="subject")

与Matplotlib集成

“axes-level”容易实现，可直接对子图操作，

import matplotlib as mpl
_, ax = mpl.figure.Figure(constrained_layout=True).subplots(1, 2)
(
    so.Plot(tips, x="total_bill", y="tip")
    .on(ax)
    .add(so.Scatter())
)

“figure-level”  比较难缠，

f = mpl.figure.Figure(constrained_layout=True)
(
    so.Plot(tips, x="total_bill", y="tip")
    .on(f)
    .add(so.Scatter())
    .facet("time")
)

subfigures让多子图更简单，

sf1, sf2 = f.subfigures(1, 2)
(
    so.Plot(tips, x="total_bill", y="tip", color="day")
    .add(so.Scatter())
    .on(sf1)
    .plot()
)
(
    so.Plot(tips, x="total_bill", y="tip", color="day")
    .facet("day", wrap=2)
    .add(so.Scatter())
    .on(sf2)
    .plot()
)

小结

• 如果该新版本发布，Seaborn老版本子图难实现、个性化难、需要重度依赖Matplotlib的缺陷基本被修复；

• 新版本吸收了ggplot2的部分属性，对R用户比较容易上手;

• 但是，Seaborn支持图形类别有限的问题没有看到修复；

• 再者，到底啥时候新版本能够发布，This is very much a work in progress；

• 总之，非常值得期待。

• ref: https://seaborn.pydata.org/nextgen/

---

-END-

往期精彩回顾




适合初学者入门人工智能的路线及资料下载中国大学慕课《机器学习》（黄海广主讲）机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载本站qq群955171419，加入微信群请扫码：