seaborn可视化入门

seaborn可视化入门

    • 案例部分
      • 案例01-pairplot对图
      • 案例02-heatmap热力图
      • 案例3boxplot箱型图
      • 案例4violin小提琴图
      • 案例5 Density plot密度图

案例部分

案例01-pairplot对图

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

import os
os.chdir(os.path.dirname(__file__)) # 切换目录到当前文件所在目录

# seaborn预设了darkgrid,whitegrid,dark,white,ticks五种主题风格
sns.set(style="ticks") 

iris = pd.read_csv('iris.csv',header=None)
iris.columns=['sepal_length','sepal_width',
              'petal_length','petal_width','species']
# iris传入的数据集,类型为DataFrame
# hue="species"  hue观点,代表用来充当标签或类别的字段
# diag_kind="kde" 对角线图形的类别,默认有hist频率分布直方图,kde核密度估计图
# palette="muted"表示预制的调色板,
sns.pairplot(iris,hue="species",diag_kind="kde",
             palette="muted")
plt.show()

seaborn可视化入门_第1张图片

案例02-heatmap热力图

import matplotlib.pyplot as plt 
import pandas as pd 
import seaborn as sns
import os
os.chdir(os.path.dirname(__file__)) # 切换目录到当前文件所在目录

plt.figure(figsize=(6,6))
iris = pd.read_csv('iris.csv',header=None)
iris.columns=['sepal_length','sepal_width',
             'petal_length','petal_width','species']
data =  iris[['sepal_length','sepal_width',
             'petal_length','petal_width']]          
iris_corr = data.corr()
sns.heatmap(iris_corr,annot=True,square=True,fmt='.2f',) # square:单元格是否方形
plt.show()

seaborn可视化入门_第2张图片

案例3boxplot箱型图

什么是箱线图:
seaborn可视化入门_第3张图片

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

import os
os.chdir(os.path.dirname(__file__)) # 切换目录到当前文件所在目录

#方案1:利用pandas读取数据
sns.set(style = "ticks")
iris = pd.read_csv('iris.csv', header = None)

iris.columns=['sepal_length','sepal_width','petal_length','petal_width','species']
sns.boxplot(x = iris['sepal_length'], data = iris)
plt.show()

seaborn可视化入门_第4张图片
多个箱线图:

import seaborn as sns, matplotlib.pyplot as plt
import pandas as pd
import os
os.chdir(os.path.dirname(__file__)) # 切换目录到当前文件所在目录

#用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams["axes.unicode_minus"]=False # 显示负号
# sns.set(font='SimHei') # sns中乱码问题
# sns.set_style({'font.sans-serif':['SimHei','Arial']})
#导入数据集合
sns.set(style = "ticks")
iris = pd.read_csv('iris.csv', header = None)

iris.columns=['sepal_length','sepal_width','petal_length','petal_width','species']
#设置x轴、y轴及数据源
ax = sns.boxplot(x = "species", y = "sepal_length", data=iris)
 
# 计算每组的数据量和中位数显示的位置

#medians = iris.groupby(['species'])['sepal_length'].median().values #和下面的语句等价

medians = iris.pivot_table(index="species", values="sepal_length",aggfunc="median").values

# print(medians)  
# #[5.  5.9 6.5]

# print(ax.get_xticklabels()) 
# [Text(0, 0, 'Iris-setosa'), Text(1, 0, 'Iris-versicolor'), Text(2, 0, 'Iris-virginica')]

#形成要显示的文本:每个子类的数量
nobs = iris['species'].value_counts().values
nobs = [str(x) for x in nobs.tolist()]
nobs = ["nobs:" + i for i in nobs]
 
# 设置要显示的箱体图的数量
pos = range(len(nobs))
#将文本分别显示在中位数线条的上方
for tick,label in zip(pos, ax.get_xticklabels()):
		# tick分别取值 0 1 2 代表x的坐标
		# medians[tick] 对应[5.  5.9 6.5],代表y的坐标
		# nobs[tick] 表示标注的值
		# horizontalalignment 水平对齐
    ax.text(pos[tick], medians[tick] + 0.03, nobs[tick],
            horizontalalignment='center', size='x-small',
            color='w', weight='semibold')

plt.show()

seaborn可视化入门_第5张图片

import seaborn as sns, matplotlib.pyplot as plt
import pandas as pd
#导入数据集合
import os
os.chdir(os.path.dirname(__file__)) # 切换目录到当前文件所在目录

#用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams["axes.unicode_minus"]=False # 显示负号

#导入数据集合
sns.set(style = "ticks")
df = pd.read_csv('iris.csv', header = None)

df.columns=['sepal_length','sepal_width','petal_length','petal_width','species']

# sharey = True 共享Y轴,共享后便于比较
fig,axes=plt.subplots(1,2,sharey = True) #一行两列共两个子图

sns.boxplot(x = "species",y = "petal_width",data = df,ax = axes[0]) #左图

sns.boxplot(x = "species",y = "petal_length",data = df, palette="Set2", ax = axes[1]) #右图

plt.show()

seaborn可视化入门_第6张图片

案例4violin小提琴图

小提琴图:
seaborn可视化入门_第7张图片
【小提琴图】其实是【箱线图】与【核密度图】的结合,【箱线图】展示了分位数的位置,【小提琴图】则展示了任意位置的密度,通过【小提琴图】可以知道哪些位置的密度较高。
小提琴图的内部是箱线图(有的图中位数会用白点表示,但归根结底都是箱线图的变化);外部包裹的就是核密度图,某区域图形面积越大,某个值附近分布的概率越大。
通过箱线图,可以查看有关数据的基本分布信息,例如中位数,平均值,四分位数,以及最大值和最小值,但不会显示数据在整个范围内的分布。如果数据的分布有多个峰值(也就是数据分布极其不均匀),那么箱线图就无法展现这一信息,这时候小提琴图的优势就展现出来了!

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os
os.chdir(os.path.dirname(__file__)) # 切换目录到当前文件所在目录
# 导入数据
iris = pd.read_csv("iris.csv")
iris.columns=['sepal_length','sepal_width','petal_length','petal_width','species']
# 绘图
sns.violinplot(x='species', y = 'sepal_length', data = iris, split = True, scale='width', inner="box")

# 输出显示
plt.title('Violin Plot', fontsize=10)
plt.show()

seaborn可视化入门_第8张图片
多个小提琴图:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 导入数据
import os
os.chdir(os.path.dirname(__file__)) # 切换目录到当前文件所在目录

iris = pd.read_csv("iris.csv")
iris.columns=['sepal_length','sepal_width','petal_length','petal_width','species']

# 绘图设置
fig, axes = plt.subplots(2, 2, figsize=(7, 5), sharex=True)

sns.violinplot(x = 'species', y = 'sepal_length', 
               data = iris, split = True, 
               scale='width', inner="box", 
               ax = axes[0, 0])
sns.violinplot(x = 'species', y = 'sepal_width', 
               data = iris, split = True, scale='width', 
               inner="box", 
               ax = axes[0, 1])
sns.violinplot(x = 'species', y = 'petal_length', 
               data = iris, split = True, scale='width', 
               inner="box", 
               ax = axes[1, 0])
sns.violinplot(x = 'species', 
               y = 'petal_width', 
               data = iris, split = True, 
               scale='width', inner="box", 
               ax = axes[1, 1])
# 输出显示
plt.setp(axes, yticks=[])
plt.tight_layout()

plt.show()

seaborn可视化入门_第9张图片

案例5 Density plot密度图

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei'] 
# 导入数据
import os
os.chdir(os.path.dirname(__file__)) # 切换目录到当前文件所在目录
iris = pd.read_csv("iris.csv")
iris.columns=['sepal_length','sepal_width','petal_length','petal_width','species']

#绘图
# shade=False 密度线内是否用阴影填充
# vertical= True表示垂直显示
sns.kdeplot(iris.loc[iris['species'] == 'Iris-versicolor', 'sepal_length'],
             shade=False, vertical = True, color="g", label="Iris-versicolor", alpha=.7)

sns.kdeplot(iris.loc[iris['species'] == 'Iris-virginica', 'sepal_length'],
             shade=False, vertical = True, color="deeppink", label="Iris-virginica", alpha=.7)

sns.kdeplot(iris.loc[iris['species'] == 'Iris-setosa', 'sepal_length'],
             shade=False, vertical = True, color="dodgerblue", label="Iris-setosa", alpha=.7)

# Decoration
plt.title('鸢尾花花瓣长度的密度图', fontsize=16)
plt.legend()
plt.show()

seaborn可视化入门_第10张图片

你可能感兴趣的:(数据分析与可视化,python)