python数据分析与可视化——利用Seaborn进行绘图

黎明之道 等级 1046 0 0

利用Seaborn进行绘图

下面例子中所用数据下载地址——>iris.csv

Matplotlib绘图基本模仿MATLAB绘图库,其绘图风格和MATLAB类似。由于MATLAB绘图风格偏古典,因此,Python开源社区开发了Seaborn绘图模块,对Matplotlib进行封装,绘图效果更符合现代人的审美。
Seaborn属于Matplotlib的一个高级接口,使得作图更加容易。在多数情况下使用Seaborn能做出很具吸引力的图,而使用Matplotlib可以制作具有更多特色的图。应该把Seaborn视为iris.csvMatplotlib的补充,而不是替代物。
使用Seaborn时,使用的导入惯例为:
import seaborn as sns

风格设置用以设置绘图的背景色、风格、字型、字体等。
Seaborn通过set函数实现风格设置。
seaborn.set(context=‘notebook’, style=‘darkgrid’, palette=‘deep’, font=‘sans-serif’, font_scale=1, color_codes=True, rc=None)

利用seaborn.set进行风格设置

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
def sinplot(flip=2):
    x = np.linspace(0,20, 50)
    for i in range(1,5):
        plt.plot(x, np.cos(x + i * 0.8) * (9 - 2*i) * flip)
sinplot() 

python数据分析与可视化——利用Seaborn进行绘图

sns.set(style='darkgrid',font_scale=1.5)
sinplot() 

python数据分析与可视化——利用Seaborn进行绘图

如果需要转换为seaborn默认的绘图设置,只需调用sns.set( )方法即可。

sns.set()
sinplot() 

设置主题
利用set_style( )是用来设置主题的。
Seaborn有五个预设好的主题: darkgrid, whitegrid,dark,white,和 ticks,默认为darkgrid。

sns.set_style("whitegrid")  
sinplot() 

python数据分析与可视化——利用Seaborn进行绘图
Seaborn将matplotlib的参数划分为两个独立的组合。第一组是设置绘图的外观风格的,第二组主要将绘图的各种元素按比例缩放的,以至可以嵌入到不同的背景环境中。控制这些参数的接口主要有两对方法:
控制风格:axes_style(), set_style()
缩放绘图:plotting_context(), set_context()

每对方法中的第一个方法(axes_style(), plotting_context())会返回一组字典参数,而第二个方法(set_style(), set_context())会设置matplotlib的默认参数。

利用set_style( )是用来设置主题的。Seaborn有五个预设的主题: darkgrid, whitegrid,dark,white,和 ticks,默认为darkgrid。

sns.set_style("whitegrid")  
sinplot() 

python数据分析与可视化——利用Seaborn进行绘图
在seaborn中,可以利用despine()方法移除绘图中顶部和右侧的轴线。

sinplot()
sns.despine() 

python数据分析与可视化——利用Seaborn进行绘图
despine()方法中可以利用offset参数讲轴线进行偏置,另外,当刻度没有完全覆盖整个坐标轴的的范围时,利用trim参数限制已有坐标轴的范围。

sinplot()
sns.despine(offset=20, trim=True) 

python数据分析与可视化——利用Seaborn进行绘图
也可以通过despine()控制哪个脊柱将被移除。

sinplot()
sns.despine(left=True) 

python数据分析与可视化——利用Seaborn进行绘图
也可以通过despine()控制哪个脊柱将被移除。

sinplot()
sns.set(style='whitegrid',palette='muted',color_codes=True)
sns.despine(left=True,bottom=True) 

python数据分析与可视化——利用Seaborn进行绘图
除了选用预设的风格外,可以利用with 语句使用axes_style()方法设置临时绘图参数。

with sns.axes_style("darkgrid"):
    plt.subplot(2,1,1)
    sinplot( )
plt.subplot(2,1, 2)
sinplot(-1) 

python数据分析与可视化——利用Seaborn进行绘图
seaborn中通过set_context()设置缩放参数,预设的参数有paper, notebook, talk, poster。默认为notebook。

sns.set_style("darkgrid", {"axes.facecolor": ".9"})
sinplot() 

python数据分析与可视化——利用Seaborn进行绘图

sns.set_context("paper")
sinplot() 

python数据分析与可视化——利用Seaborn进行绘图

sns.set_context("notebook", font_scale=1.8, rc={"lines.linewidth": 1.5})
sinplot() 

python数据分析与可视化——利用Seaborn进行绘图

常用的绘图

直方图和密度曲线图

Seaborn中利用distplot( )和 kdeplot( )绘制直方图和密度曲线图,distplot( )为hist加强版,默认情况下绘制一个直方图,并嵌套一个对应的密度图。

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
sns.set(palette="muted",color_codes=True)
rs=np.random.RandomState(10)
d=rs.normal(size=100)
f,axes=plt.subplots(2, 2, figsize=(7, 7), sharex=True)
sns.distplot(d, kde=False, color="b", ax=axes[0,0])
sns.distplot(d, hist=False, rug=True, color="r", ax=axes[0,1])
sns.distplot(d, hist=False,color="g", kde_kws={"shade":True}, ax=axes[1,0])
sns.distplot(d, color="m", ax=axes[1,1])
plt.show() 

python数据分析与可视化——利用Seaborn进行绘图

散点图

在Seaborn中,利用stripplot绘制各变量在每个类别的值。
例:在iris数据集中,显示Petal.Width在Species上值的分布

sns.set(style='white',color_codes=True) #设置样式 
sns.stripplot(x=df_iris['Species'],y= df_iris['Petal.Width'],data=df_iris)
sns.despine()   #去坐标轴 

python数据分析与可视化——利用Seaborn进行绘图
如果需要看清每个数据点,可以使用swarmplot函数

sns.swarmplot(x=df_iris['Species'],y= df_iris['Petal.Width'],data=df_iris)
sns.despine()   #去坐标轴 

python数据分析与可视化——利用Seaborn进行绘图

箱型图

有时候,散点图表达的值的分布信息有限,因此需要一些其它的绘图。箱线图可以观察四分位数、中位数和极值。Seaborn中利用boxplot( )绘制箱线图。

df_iris=pd.read_csv('D:\dataset\iris.csv')
sns.boxplot(x=df_iris['Species'],y = df_iris['Petal.Width'])  
plt.show() 

python数据分析与可视化——利用Seaborn进行绘图

df_iris=pd.read_csv('D:\dataset\iris.csv')
sns.set(style="ticks")  
sns.boxplot(x=df_iris['Species'],y = df_iris['Petal.Width'])  
plt.show() 

python数据分析与可视化——利用Seaborn进行绘图

pairplot

在seaborn中利用 pairplot()实现数据特征的两两对比。默认是所有特征,可以通过vars参数指定部分特征。

seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind='scatter', diag_kind='auto', markers=None, height=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None, size=None) 

pairplot主要展现的是变量两两之间的关系(线性或非线性,有无较为明显的相关关系)

df_iris=pd.read_csv('D:\dataset\iris.csv')
sns.set(style="ticks")  
g = sns.pairplot(df_iris,vars=['Sepal.Length', 'Petal.Length']) 

python数据分析与可视化——利用Seaborn进行绘图

小提琴图

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。在图中,白点是中位数,黑色盒型的范围是下四分位点到上四分位点,细黑线表示须。外部形状即为核密度估计(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)。

sns.set_style("whitegrid")
df_iris=pd.read_csv('D:\dataset\iris.csv')
ax = sns.violinplot(x=df_iris['Petal.Length']) 

python数据分析与可视化——利用Seaborn进行绘图

柱状图

在Seaborn中使用barplot函数绘制柱状图,默认情况下,绘制的y轴是平均值。

df_iris=pd.read_csv('D:\dataset\iris.csv')
sns.barplot(x=df_iris['Species'],y=df_iris['Petal.Length'],data=df_iris) 

python数据分析与可视化——利用Seaborn进行绘图
在柱状图中,经常会绘制类别的计数柱状图,在matplotlib中需要对DataFrame进行计算,而在Seaborn中则使用countplot函数即可。

sns.countplot(x='Species',data=df_iris) 

python数据分析与可视化——利用Seaborn进行绘图

多变量图

在matplotlib中,为了绘制两个变量的分布关系,常使用散点图的方法。在Seaborn中,使用jointplot函数绘制一个多面板图,不仅可以显示两个变量的关系,还可以显示每个单变量的分布情况。

sns.jointplot(x='Petal.Length',y='Petal.Width' ,data=df_iris) 

python数据分析与可视化——利用Seaborn进行绘图

在jointplot函数中,改变kind参数为kde,但变量的分布就用密度图来代替,而散点图则会被等高线图代替。

ointplot(x='Petal.Length',y='Petal.Width' ,data=df_iris,kind='kde') 

python数据分析与可视化——利用Seaborn进行绘图

回归图

绘制回归图可以揭示两个变量间的线性关系。Seaborn中,使用regplot函数绘制回归图。

sns.regplot(x='Petal.Length',y='Petal.Width' ,data=df_iris) 

python数据分析与可视化——利用Seaborn进行绘图

收藏
评论区

相关推荐

15. Python 程序运行速度如何提高十倍?第一遍滚雪球学 Python 收工
本篇文章将给大家介绍 Python 多线程与多进程相关知识,学习完该知识点之后,你的 Python 程序将进入另一个高峰。 <center<font colorred缓解一下视疲劳</font</center 15. Python 程序运行速度如何提高十倍?第一遍滚雪球学 Python 收工(https://imghelloworld.oss
python数据分析与可视化——利用Seaborn进行绘图
利用Seaborn进行绘图下面例子中所用数据下载地址——Matplotlib绘图基本模仿MATLAB绘图库,其绘图风格和MATLAB类似。由于MATLAB绘图风格偏古典,因此,Python开源社区开发了Seabo
玩转python爬虫
&ensp;&ensp;&ensp;  近几年来,python的热度一直特别火!大学期间,也进行了一番深入学习,毕业后也曾试图把python作为自己的职业方向,虽然没有如愿成为一名python工程师,但掌握了python,也让我现如今的工作开展和职业发展更加得心应手。这篇文章主要与大家分享一下自己在python爬虫方面的收获与见解。 &ensp;&ensp;
plotnine: Python版的ggplot2作图库
R语言的ggplot2绘图能力超强,python虽有matplotlib,但是语法臃肿,使用复杂,入门极难,seaborn的出现稍微改善了matplotlib代码量问题,但是定制化程度依然需要借助matplotlib,使用难度依然很大。 而且咱们经管专业学编程语言,一直有一个经久不衰的问题\“学数据分析,到底选择R还是Python”。通过plotnine这
Flask教程(十五)日志
### 软硬件环境 * windows 10 64bit * anaconda3 with python 3.7 * pycharm 2020.1.2 * flask 1.1.2 ### 简介 `flask`日志使用标准的`python``logging`。所有与`flask`相关的消息都用`ap
FreeBSD python安装MySQL
fetch https://pypi.python.org/packages/source/M/MySQL-python/MySQL-python-1.2.4.zip unzip MySQL-python-1.2.4.zip cd MySQL-python-1.2.4 python setup.py install ln -s /usr/loca
Linux 下的 Python 多版本管理(pyenv)
#简介 提到 Python 环境管理,更多人可能会首先想到 virtualenv。但与用于创建独立包环境的 virtualenv 不同,pyenv 的作用仅限于维护不同版本的 Python。它的使用不依赖于 Python,是一个简单、独立的纯 shell 脚本工具。pyenv 也以 [pyenv-virtualenv](https://www.oschin
Python 3 教程
Python 3 教程 =========== ![python3](https://www.runoob.com/wp-content/uploads/2014/05/python3.png) Python 的 3.0 版本,常被称为 Python 3000,或简称 Py3k。相对于 Python 的早期版本,这是一个较大的升级。为了不带入过多的累赘,
Python 3.8 官网文档(中文版附下载)
![](https://oscimg.oschina.net/oscnet/b5c848a0d97764f322d36cce2d2a8d80f4b.jpg) 文档解释了 Python 3.8 相比 3.7 的新增特性。本参考手册描述了 Python 的语法和“核心语义”。本参考是简洁的,但试图做到准确和完整。 这份库参考
Python MySQLdb 循环插入execute与批量插入executemany性能分析
Python MySQLdb 循环插入execute与批量插入executemany性能分析 ============================================== 用Python连接MySQL数据库时,会用到MySQLdb库,这里下载↓↓↓ https://pypi.python.org/pypi/MySQL-python/ 这
Python import与from import使用及区别介绍
Python程序可以调用一组基本的函数(即内建函数),比如print()、input()和len()等函数。接下来通过本文给大家介绍Python import与from import使用及区别介绍,感兴趣的朋友一起看看吧 下面介绍下Python import与from import使用,具体内容如下所示: Python程序可以调用一组基本的函数(即内建函
Python中的参数传递与解析
Python传递命令行参数 ============= Python的命令行参数传递和C语言类似,都会把命令行参数保存到argv的变量中。对于python而言,argv是sys模块中定义的一个list。与C语言不同的是,python中并没有定义argc,要获得参数的个数,需要使用len(sys.argv) 当用户使用'python -c "command
Python图表数据可视化Seaborn:2. 分类数据可视化
1\. 分类数据可视化 - 分类散点图 =================== **stripplot( ) / swarmplot( )** sns.stripplot(x="day",y="total_bill",data=tips,jitter = True, size = 5, edgecolor = 'w',linewidth=1,ma
Seaborn学习02:折线图(多坐标)
在Seabor中实现折线图有两种。一种是在relplot()函数中的kind参数设置line就可以,另一种是lineplot()函数来可以直接实现折线图。通过relplot来实现 import matplotlib.pyplot as plt import seaborn as sns # 数据集 data
【Python学习教程】常用的8个Python数据可视化库!
Python是一门非常优秀的编程语言,被广泛的应用于各个领域,它不仅简单、易懂、语法清晰,还拥有各种各样的库,让我们的工作更高效、更便捷。今天为大家分享8个Python库,有了它们之后,数据可视化超轻松,快来学习一下吧。  数据可视化是展示数据、理解数据的有效手段,常用的Python数据可视化库如下:  1.Matplotlib 第一个Python可视化库