Python可视化神器Seaborn入门系列——kdeplot

Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。但应强调的是，应该把Seaborn视为matplotlib的补充，而不是替代物。

Seaborn安装

pip install seaborn

安装完Seaborn包后，我们就开始进入接下来的学习啦，首先我们介绍kdeplot的画法。

kdeplot(核密度估计图)

核密度估计(kernel density estimation)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。通过核密度估计图可以比较直观的看出数据样本本身的分布特征。具体用法如下：

seaborn.kdeplot(data,data2=None,shade=False,vertical=False,kernel='gau',bw='scott',
gridsize=100,cut=3,clip=None,legend=True,cumulative=False,shade_lowest=True,cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)

我们通过一些具体的例子来学习一些参数的用法：

• 首先导入相应的库

%matplotlib inline  #IPython notebook中的魔法方法，这样每次运行后可以直接得到图像，不再需要使用plt.show()
import numpy as np  #导入numpy包，用于生成数组
import seaborn as sns  #习惯上简写成sns
sns.set()           #切换到seaborn的默认运行配置

• 绘制简单的一维kde图像

x=np.random.randn(100)  #随机生成100个符合正态分布的数
sns.kdeplot(x)

cut：参数表示绘制的时候，切除带宽往数轴极限数值的多少(默认为3)

sns.kdeplot(x,cut=0)

cumulative ：是否绘制累积分布

sns.kdeplot(x,cumulative=True)

shade：若为True，则在kde曲线下面的区域中进行阴影处理，color控制曲线及阴影的颜色

sns.kdeplot(x,shade=True,color="g")

vertical：表示以X轴进行绘制还是以Y轴进行绘制

sns.kdeplot(x,vertical=True)

二元kde图像

y=np.random.randn(100)
sns.kdeplot(x,y,shade=True)

cbar：参数若为True，则会添加一个颜色棒(颜色帮在二元kde图像中才有)

sns.kdeplot(x,y,shade=True,cbar=True)

举例说明二元kde图像

定义了一个函数

def plot_distribution_target(df, target, cols):
    dist_cols=5
    dist_rows=len(cols)
    plt.figure(figsize=(5*dist_cols,5*dist_rows))
    i=1
    for col in cols:
        ax=plt.subplot(dist_rows,dist_cols,i)
        ax=sns.kdeplot(df[df[target]==1][col],color='Red',shade=True)#train_data
        ax=sns.kdeplot(df[df[target]==0][col],color='Blue',shade=True)
        ax.set_xlabel(col)
        ax.set_ylabel('Frequency')
        ax=ax.legend(['target=1','target=0'])
        i+=1
    plt.show()

现在有个数据，保存在csv文件中：

import seaborn as sns  #习惯上简写成sns
sns.set()           #切换到seaborn的默认运行配置

#定义训练数据集的位置
pathTrain='./PROCESSING_DATA'
train_tag = pd.read_csv(pathTrain+'/df_tag.csv')
print(train_tag.head())

输出如下：

        id  flag  gdr_cd  age  mrg_situ_cd  edu_deg_cd  acdm_deg_cd  deg_cd  \
0  U7A4BAD     0       1   41            1           1            6       6   
1  U557810     0       1   35            0          12            5       6   
2  U1E9240     0       1   53            1           0            2       2   
3  U6DED00     0       0   41            1          12            6       6   
4  UDA8E28     0       0   42            1           1            6       1   

   job_year  ic_ind  ...  crd_card_act_ind  l1y_crd_card_csm_amt_dlm_cd  \
0         3       0  ...                 0                            0   
1         4       0  ...                 0                            0   
2         9       0  ...                 0                            0   
3         0       0  ...                 0                            0   
4         3       1  ...                 0                            0   

   atdd_type  perm_crd_lmt_cd  cur_debit_cnt  cur_credit_cnt  \
0          0                3              1               0   
1          0                1              1               0   
2          0                7              2               0   
3          0                1              1               0   
4          0                2              7               0   

   cur_debit_min_opn_dt_cnt  cur_credit_min_opn_dt_cnt  cur_debit_crd_lvl  \
0                      3492                         -1                 10   
1                      4575                         -1                 10   
2                      4894                         -1                 40   
3                      4938                         -1                 10   
4                      2378                         -1                 20   

   isTest  
0      -1  
1      -1  
2      -1  
3      -1  
4      -1  

[5 rows x 44 columns]

plot_distribution_target(train_tag,'flag', ['gdr_cd','age'])

这几个特征，在target=0和target=1时的kde，发现这几个特征对target的区分能力都非常有限。