seaborn 画堆叠柱状图_Seaborn-基于matplotlib的更强力制图库

相信大家在开始python的使用后，便随后接触到了matplotlib这个与python兼容的很好的制图库。但是，如果想把图做的更细，更上流，那么则需要seaborn这个库，比起matplotlib更容易上手，并且和pandas的两种主要数据结构Series和DataFrame有着很强的兼容性。

1 . 安装，工欲善其事，安装 seaborn，有两种方法。

pip install seaborn

conda install seaborn

在这里我用的conda的客户端版。

2. 对于seaborn的介绍，我们从最简单也是最常用的"柱状图"开始。

barplot便是seaborn库的柱状图方法。

seaborn

seaborn所做的柱状图

2.1 数据集介绍

在这里我们使用seaborn自带的数据集tips。

import seaborn as sns
tips = sns.load_dataset("tips")
print(tips.head())

>>>
   total_bill   tip     sex smoker  day    time  size
0       16.99  1.01  Female     No  Sun  Dinner     2
1       10.34  1.66    Male     No  Sun  Dinner     3
2       21.01  3.50    Male     No  Sun  Dinner     3
3       23.68  3.31    Male     No  Sun  Dinner     2
4       24.59  3.61  Female     No  Sun  Dinner     4

Tips是Dataframe结构, 其矩阵为（244, 7），一共有244条数据，7个属性，分别为

• total_bill: 账单总额
• tip: 小费
• sex: 性别
• smoker: 是否抽烟
• day: 周几（周一 至 周日）
• time: 上午下午
• size: 人数

2.2 seaborn.barplot 方法使用以及参数介绍

2.2.1: 尝试 barplot

sns.barplot(x = 'day', y = 'total_bill', data = tips)
plt.show()
# 黑线表示置信区间（Confidence interval）

图2.2.1

横坐标：周几

纵坐标：账单金额

上图黑线为纵坐标数据的统计数据的

置信区间_百度百科​baike.baidu.com

，如果不改动的话默认为平均数。

2.2.2 使用 hue 分类每一列数据,按性别来分

还是刚才的数据，将账单金额按男女性别划分开来，使用到参数 hue 。

sns.barplot(x = 'day', y = 'total_bill', hue= 'sex',data= tips)
plt.show()

图2.2.2

通过 hue 的设置，可以将图2.2.1按性别更加细化。

2.2.3 画一个horizontal （水平方向）的图

sns.barplot(x = 'tip', y = 'day', data=tips)
plt.show()

图2.2.3.1

在barplot 有一个参数为orient, 参数包括 ’v' 和‘h’ ，分别对应垂直方向和水平方向，也可以通过这个函数将图转化为水平或者竖直方向。

sns.barplot(x = 'day', y = 'tip', data = tips, orient='v')
plt.show()

图2.2.3.2

2.2.4 显性的控制bar的排列, 每一列的排序是默认的，但是可以通过参数 order 进行修改

fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
ax1.set_title("default")
ax2.set_title("after changing order")

sns.barplot(x='time', y = 'tip', data=tips, ax = ax1)
# lunch, dinner
sns.barplot(x='time', y = 'tip', data=tips, order=['Dinner', 'Lunch'], ax = ax2)
# become Dinner, lunch
plt.show()

2.2.5 通过修改 estimator 调整统计方式

estimator 可以引用 numpy中的方法，例如max, min, median等。更多的方法可以参考

Statistics - NumPy v1.17 Manual​docs.scipy.org

from numpy import median, max, min
fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
ax4 = fig.add_subplot(2,2,4)
ax1.set_title('default average')
ax2.set_title('max')
ax3.set_title('median')
ax4.set_title('min')
sns.barplot(x="day", y="tip", data=tips, ax = ax1)
sns.barplot(x="day", y="tip", data=tips, estimator= max, ax = ax2)
sns.barplot(x="day", y="tip", data=tips, estimator= median, ax = ax3)
sns.barplot(x="day", y="tip", data=tips, estimator= min, ax = ax4)
plt.show()

2.2.6 通过修改 ci 调整置信区间的大小，默认为95%

fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
ax1.set_title("default")
ax2.set_title("after changing ")

sns.barplot(x="day", y="tip", data=tips,ax = ax1)
sns.barplot(x="day", y="tip", data=tips, ci=45, ax = ax2)
plt.show()

ci为45后，黑线明显变短

2.2.7 ci 还有一个特殊的参数 ci = sd， 则直接使用标准差（standard deviation）进行统计

fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
ax1.set_title("default")
ax2.set_title("ci = sd ")
sns.barplot(x="day", y="tip", data=tips,ax = ax1)
sns.barplot(x="day", y="tip", data=tips, ci='sd', ax = ax2)
plt.show()

2.2.8 通过 capsize 调整 ”帽子宽度“, 默认是 None

fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
sns.barplot(x="day", y="tip", data=tips, capsize= 0.2, ax = ax1)
sns.barplot(x="day", y="tip", data=tips, capsize= 0.4, ax = ax2)
plt.show()

2.2.9 调整 palette 换一种其他的颜色调色板

可用的参数可以看

seaborn.color_palette - seaborn 0.10.1 documentation​seaborn.pydata.org

着这里只举几个常用的例子

fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
ax4 = fig.add_subplot(2,2,4)
ax1.set_title("deep")
ax2.set_title('muted')
ax3.set_title('bright')
ax4.set_title('Blues_d')
sns.barplot("size", y="total_bill", data=tips, palette="deep", ax = ax1)
sns.barplot("size", y="total_bill", data=tips, palette="muted", ax = ax2)
sns.barplot("size", y="total_bill", data=tips, palette="bright", ax = ax3)
sns.barplot("size", y="total_bill", data=tips, palette="Blues_d", ax = ax4)
plt.show()

2.2.9 hue 的进一步使用

fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
tips['weekend'] = tips['day'].isin(['Sat','Sun'])
sns.barplot(x='day', y='tip', data=tips, hue='weekend', ax = ax1)
sns.barplot(x='day', y='tip', data=tips, hue='weekend', dodge=False, ax = ax2)
plt.show()

默认的hue使用后造成不美观的现象，使用 dodge=False 可以将空白补齐。

2.2.10 颜色的精细化调整， color 和 saturation（饱和度）的使用

ax = sns.barplot("size", y="total_bill", data=tips,
                 color="salmon", saturation=.5)
plt.show()

总结，我们将barplot基本的常用参数都演示了一遍，当然seaborn还有直方图和散点图等工具。

可以关注我的公众号 ： 平凡的科研生活，同时也会有其他的数据分析相关的文章分享。