04_2Python绘图_seaborn

Python中的一个制图工具库,可以制作出吸引人的、信息量大的统计图

在Matplotlib上构建,支持numpy和pandas的数据结构可视化,甚至是scipy和statsmodels的统计模型可视化

seaborn的特点：

1. 多个内置主题及颜色主题
2. 可视化单一变量、二维变量用于比较数据集中各变量的分布情况
3. 可视化线性回归模型中的独立变量及不独立变量
4. 可视化矩阵数据,通过聚类算法探究矩阵间的结构
5. 可视化时间序列数据及不确定性的展示
6. 可在分割区域制图,用于复杂的可视化

seaborn的安装：
1. conda install seaborn
2. pip install seaborn

import numpy as npimport pandas as pdfrom scipy import statsimport matplotlib.pyplot as pltimport seaborn as sns%matplotlib inline

1. 数据集分布可视化

1.1 单变量分布

# 正态分布的500个数据x1 = np.random.normal(size=500)# 分布图，默认是直方+线型sns.distplot(x1);

# 均匀分布的500个整数数据x2 = np.random.randint(0, 100, 500)# 分布图，默认是直方+线型sns.distplot(x2);

# 分布图，bin是直方的个数，kde是线型（false表示去掉线型），rug显示每个数据的分布（下面深蓝色的部分）sns.distplot(x1, bins=20, kde=False, rug=True)

# 核密度估计，hist表示直方（false表示不要直方）sns.distplot(x2, hist=False, rug=True)

# 核密度函数也可以表示成如下，shade表示阴影sns.kdeplot(x2, shade=True)sns.rugplot(x2)

# 拟合参数分布sns.distplot(x1, kde=False, fit=stats.gamma)

1.2 双变量分布

# 双变量分布df_obj1 = pd.DataFrame({"x": np.random.randn(500),                   "y": np.random.randn(500)})df_obj2 = pd.DataFrame({"x": np.random.randn(500),                   "y": np.random.randint(0, 100, 500)})# print df_obj1# print df_obj2

# 散布图sns.jointplot(x="x", y="y", data=df_obj2)

# 二维直方图sns.jointplot(x="x", y="y", data=df_obj2, kind="hex");

# 核密度估计sns.jointplot(x="x", y="y", data=df_obj1, kind="kde");

1.3 数据集中变量间关系可视化

# 数据集中变量间关系可视化dataset = sns.load_dataset("tips")#dataset = sns.load_dataset("iris")sns.pairplot(dataset);

2. 类别数据可视化

#titanic = sns.load_dataset('titanic')#planets = sns.load_dataset('planets')#flights = sns.load_dataset('flights')#iris = sns.load_dataset('iris')exercise = sns.load_dataset('exercise') # 该数据集是自带的

2.1 类别散布图

一个变量是类别变量，另一个是连续性变量。

使用.stripplot数据点会重叠

sns.stripplot(x="diet", y="pulse", data=exercise)

.swarmplot()数据点会避免重叠，并且会把其他列的信息也展现出来。

sns.swarmplot(x="diet", y="pulse", data=exercise, hue='kind')

2.2 类别内数据分布

# 1.盒子图，类似与K线图sns.boxplot(x="diet", y="pulse", data=exercise)

# 盒子图，hue指定子类别sns.boxplot(x="diet", y="pulse", data=exercise, hue='kind')

# 2.小提琴图#sns.violinplot(x="diet", y="pulse", data=exercise)sns.violinplot(x="diet", y="pulse", data=exercise, hue='kind')

2.3 类别内统计图

# 柱状图sns.barplot(x="diet", y="pulse", data=exercise, hue='kind')

# 点图sns.pointplot(x="diet", y="pulse", data=exercise, hue='kind');

---

注：部分例子来自于小象学院Robin课程