机器学习入门 06 —— Seaborn使用

---

系列文章

机器学习入门 01 —— 机器学习概述
机器学习入门 02 —— 环境搭建（Jupyter Notebook 及扩展库的安装与使用）
机器学习入门 03 —— Matplotlib使用
机器学习入门 04 —— Numpy使用
机器学习入门 05 —— Pandas使用
机器学习入门 06 —— Seaborn使用

---

6 Seaborn

Seaborn也是用于绘制图形的，Matplotlib虽然已经是比较优秀的绘图库了，但它的API使用比较复杂，而Seaborn是基于Matplotlib核心库进行了更高级的API封装，可以轻松绘制更漂亮的图形，其配色更加舒适、图形样式更加细腻。

如果没有安装，可以通过命令pip3 install seaborn安装。我是使用了Anaconda进行包管理，所以基本上库都安装过了。可以看我另一篇博客，使用Anaconda管理Python包要方便很多。

Seaborn的使用非常简单，它不会像Matplotlib那样给你提供很多函数，通常我们根据变量的数目来决定使用哪个函数，单变量distplot()、双变量jointplot()。

设置主题 sns.set_style("whitegrid")

1.darkgrid（灰色网格）
2.whitegrid（白色网格）
3.dark（黑色）
4.white（白色）
5.ticks（十字叉）

white和ticks两种主题都会包含没有必要的上边框和右边框。我们可以用despine（）函数去除。

# 去掉多余的线
sns.despine()

 

6.1 绘制单变量分布

单变量顾名思义，就是只有一个变量，因此数据也是Series类型的。Seaborn的函数distplot()默认绘制的是带有核密度估计曲线的直方图。（核密度估计曲线不懂没关系，后面看例子就明白了）

seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, color=None)

• a：表示要观察的数据，可以是Series、一维数组、列表等。
• bins：用于控制条柱的数量。
• hist：是否绘制直方图。
• kde：是否绘制高斯核密度估计曲线。可以更加直观的看出数据分布特征。
• rug：是否在轴上绘制rugplot。

下面通过例子来简单看看。

import numpy as np
import seaborn as sns

np.random.seed(0) # 确定随机种子，使得每次随机的数字相同以便观察
array = np.random.randn(100) # 生成100个随机数的数组

# 绘制直方图
sns.distplot(array, bins=10, hist=True, kde=True, rug=True)

 

6.2 绘制双变量分布

双变量也很简单，只需使用jointplot()就可以绘制，默认是绘制双变量散点图。

seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, ratio=5, space=0.2, dropna=True)

• kind：表示绘制图形的类型，默认散点scatter，其他还有直方图hex、核密度估计曲线kde、
• stat_func：是否显示关系统计量。
• color：绘图元素的颜色。例如 color='r’就是红色。
• size：图的大小。
• ratio：中心图与上侧、右侧图的比例，值越大，中心图占比越大。
• space：中心图与上侧、右侧图的间隔。

import numpy as np 
import pandas as pd 
import seaborn as sns

sns.set() # 导入seaborn的默认设置
data = pd.DataFrame({'x':np.random.randn(500), 'y':np.random.randn(500)}) # 生成随机DataFrame

1 绘制散点图

sns.jointplot(x="x", y="y", data=data)

 

2 绘制二维直方图

sns.jointplot(x="x", y="y", data=data, kind='hex')

 

3 绘制核密度估计图

sns.jointplot(x="x", y="y", data=data, kind='kde')

4 绘制成对的双变量分布

要想在数据集中绘制多个成对的双变量分布，则可以使用pairplot()函数实现，该函数会创建一个坐标轴矩阵，并且显示Datafram对象中每对变量的关系。另外，pairplot()函数也可以绘制每个变量在对角轴上的单变量分布。

如果下面代码中加载数据集失败可以看我另一篇博客：解决sns.load_dataset()加载失败问题

# 这里使用seaborn自带的数据来显示
dataset = sns.load_dataset('iris') # 加载鸢尾花数据集
dataset.head()

# 绘制多个成对的双变量分布 
sns.pairplot(dataset)

 

6.3 绘制分类数据图

数据集中的数据类型有很多种，除了连续的特征变量之外，最常见的就是类别型的数据了，比如人的性别、学历、爱好等，这些数据类型都不能用连续的变量来表示，而是用分类的数据来表示。

Seaborn针对分类数据提供了专门的可视化函数，这些函数大致可以分为如下三种:

• 分类数据散点图: swarmplot()与 stripplot()。
• 类数据的分布图: boxplot() 与 violinplot()。
• 分类数据的统计估算图:barplot() 与 pointplot()。

 

1 类别散点图

包括striplot()和swarmplot()，它们的区别是，swarmplot()不会让数据重叠。

 

striplot()

seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, jitter=True, dodge=False)

• x，y，hue：x和y是坐标轴标签。hue是对数据再次分类。
• data：用于绘制的数据集。如果x和y不存在，则它将作为宽格式，否则将作为长格式。
• jitter：当有很多数据点重叠时，可以指定抖动的数量或者设为Tue使用默认值。（默认就是True）
• dodge：是否让不同类别的数据分开显示。

下面用代码演示下：

# 获取tips数据
tips = sns.load_dataset('tips')
tips.head(3)

默认的样式

# 展示不同时间点time的总账单数目
sns.stripplot(x='time', y='total_bill', data=tips)

参数修改样式

# 展示不同时间点time的总账单数目
# hue='day'，根据day进行细分。
# jitter=False，去除一些重合的数据。
# dodge=True，把不同day分开。（如果设为False，那么lunch的蓝色和黄色会重叠，dinner的三个也会重叠）
sns.stripplot(x='time', y='total_bill', hue='day', data=tips, jitter=False, dodge=True)

 

swarmplot()

以树状的形式展现，这样就不会重叠，其他用法和striplot差不多。

sns.swarmplot(x="day", y="total_bill", data=tips)

 

2 箱型图和小提琴图

• 箱型图：它能显示出一组数据的最大值、最小值、中位数、及上下四分位数。

• 小提琴图：
  • 小提琴图 (Violin Plot) 用于显示数据分布及其概率密度。
  • 这种图表结合了箱形图和密度图的特征，主要用来显示数据的分布形状。
  • 中间的黑色粗条表示四分位数范围，从其延伸的幼细黑线代表 95% 置信区间，而白点则为中位数。
  • 箱形图在数据显示方面受到限制，简单的设计往往隐藏了有关数据分布的重要细节。例如使用箱形图时，我们不能了解数据分布。虽然小提琴图可以显示更多详情，但它们也可能包含较多干扰信息。

 

箱型图

seaborn.boxplot(x=None, y=None, hue=None, data=None, orient=None, color=None, saturation=0.75, width=0.8)

• palette：用于设置不同级别色相的颜色变量。---- palette=[“r”,“g”,“b”,“y”]
• saturation：用于设置数据显示的颜色饱和度。---- 使用小数表示

sns.boxplot(x="day", y="total_bill", data=tips)

 

小提琴图

seaborn.violinplot(x=None, y=None, hue=None, data=None)

sns.violinplot(x="day", y="total_bill", data=tips)

 

3 条形图和点图

要想查看每个分类的集中趋势，则可以使用条形图和点图进行展示。

 

条形图

最常用的查看集中趋势的图形就是条形图。默认情况下， barplot函数会在整个数据集上使用均值进行估计。若每个类别中有多个类别时**(使用了hue参数)，则条形图可以使用引导来计算估计的置信区间(是指由样本统计量所构造的总体参数的估计区间)**，并使用误差条来表示置信区间（就是下面黑色的那条线）。

sns.barplot(x="day", y="total_bill", data=tips)

 

点图

另外一种用于估计的图形是点图，可以调用 pointplot()函数进行绘制，该函数会用高度低计值对数据进行描述，而不是显示完整的条形，它只会绘制点估计和置信区间。

sns.pointplot(x="day", y="total_bill", data=tips)

 

6.4 案例：NBA球员数据分析

1 基本数据介绍

每个球迷心中都有一个属于自己的迈克尔·乔丹、科比·布莱恩特、勒布朗·詹姆斯。 本案例将用jupyter notebook完成NBA菜鸟数据分析初探。

数据集下载：https://download.csdn.net/download/qq_39763246/20936311
案例中使用的数据是2017年NBA球员基本数据，数据字段见下表：

2 获取数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

data = pd.read_csv("2017年NBA球员相关信息.csv")
data.head(3)

data.describe() # 查看每列的基本信息 统计、平均值、标准差、最值等

 

3 数据分析

数据相关性分析

数据相关性用了热力图来体现，每个格子中的值表示x轴与y轴的相关性。值越大，说明越相关。例如，第一列中ORPM与RPM最相关，根据字段表可以看出，是进攻正负值和正负值。

# 这里只取了部分列，为了让图像更清晰
data_cor = data.loc[:, ['RPM', 'AGE', 'SALARY_MILLIONS', 'ORB', 'DRB', 'TRB',
                       'AST', 'STL', 'BLK', 'TOV', 'PF', 'POINTS', 'GP', 'MPG', 'ORPM', 'DRPM']]
# 获取两列数据之间的相关性
corr = data_cor.corr()
# 创建画布 以便用sns画图时好设置图像大小
plt.figure(figsize=(20, 8), dpi=100)  # 因为seaborn是基于matplotlib的，设置plt就可以设置sns。
# corr是数据，square让图像是正方形（默认是长方形），linewidths设置每个格子间隙，annot显示每个格子具体值
sns.heatmap(corr, square=True, linewidths=0.1, annot=True)

 

数据排名分析

# 按照球员薪资降序排名
data.loc[:, ["PLAYER", "SALARY_MILLIONS"]].sort_values(by="SALARY_MILLIONS", ascending=False).head()

 

球员薪资和年龄分布

# 利用seaborn中的distplot绘图来分别看一下球员薪水、年龄的分布情况

sns.set_style("darkgrid")

plt.figure(figsize=(14, 5)) # 创建画布（以便设置seaborn的图形大小）

plt.subplot(1, 2, 1) # 表明 这次有1行2列个图，这是第1个图。
sns.distplot(data["SALARY_MILLIONS"])
plt.ylabel("salary")

plt.subplot(1, 2, 2) # 表明 这次有1行2列个图，这是第2个图。
sns.distplot(data["AGE"])
plt.ylabel("AGE")

、