python相关性分析及画图_Python数据分析之Seaborn（回归分析绘图）

Seaborn回归分析绘图

%matplotlib inlineimport numpy as npimport pandas as pdimport matplotlib as mplimport matplotlib.pyplot as plt

import seaborn as snssns.set(color_codes=True)np.random.seed(sum(map(ord, "regression")))tips = sns.load_dataset("tips") # 导入tips数据集tips.head() #查看数据集

regplot()绘制回归关系图

#采用regplot绘制拟合的数据线sns.regplot(x="total_bill", y="tip", data=tips) #x轴代表花的钱的数据，y轴对应给小费的数据

lmplot()绘制回归关系图

lmplot是一种集合基础绘图与基于数据建立回归模型的绘图方法。旨在创建一个方便拟合数据集回归模型的绘图方法，利用hue、col、row参数来控制绘图变量。

seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, size=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None)

参数说明：

hue, col, row : strings #定义数据子集的变量，并在不同的图像子集中绘制

size : scalar, optional #定义子图的高度

markers : matplotlib marker code or list of marker codes, optional #定义散点的图标

col_wrap : int, optional #设置每行子图数量

order : int, optional #多项式回归，设定指数

logistic : bool, optional #逻辑回归

logx : bool, optional #转化为log(x)

#研究小费tips与总消费金额total_bill在吸烟与不吸烟人之间的关系g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips,palette="Set1")

#研究在不同星期下，消费总额与消费的回归关系# col|hue控制子图不同的变量day，col_wrap控制每行子图数量，size控制子图高度g = sns.lmplot(x="total_bill", y="tip", col="day", hue="day",data=tips, col_wrap=2, size=3)

pokemon=pd.read_csv('../dataset/Pokemon.csv') #载入宠物小精灵战斗力数据集pokemon.head()

#观察每一代攻击与防御的分布，利用二次多项式逼近sns.lmplot(x="Defense", y="Attack",data=pokemon,col="Generation", hue="Generation",col_wrap=3, size=3,order=2)

#继续在同一图中观察不同代的sp.Atk,Sp.Def线性关系sns.lmplot(x="Sp. Atk", y="Sp. Def", data=pokemon, hue='Generation', size=5,order=1)

参考

[Style functions]http://seaborn.pydata.org/tutorial/aesthetics.html#aesthetics-tutorial

[Color palettes]http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial

[Distribution plots]http://seaborn.pydata.org/tutorial/distributions.html#distribution-tutorial

[Categorical plots]http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial

[Regression plots]http://seaborn.pydata.org/tutorial/regression.html#regression-tutorial

[Axis grid objects]http://seaborn.pydata.org/tutorial/axis_grids.html#grid-tutorial[10分钟python图表绘制]https://zhuanlan.zhihu.com/p/24464836