這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)碛嘘P(guān)怎么在Python中使用seaborn實(shí)現(xiàn)數(shù)據(jù)可視化，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。
1.首先我們還是需要先引入庫，不過這次要用到的python庫比較多。
import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt import seaborn as sns
2.sns.set_style()：不傳入?yún)?shù)用的就是seaborn默認(rèn)的主題風(fēng)格，里面的參數(shù)共有五種
darkgrid
whitegrid
dark
white
ticks
我比較習(xí)慣用whitegrid。
3.下面說一下seaborn里面的調(diào)色板，我們可以用sns.color_palette()獲取到這些顏色，然后用sns.palplot()將這些色塊打印出來。color_palette()函數(shù)還可以傳入一些參數(shù)
重慶分公司
重慶分公司
sns.palplot(sns.color_palette("hls",n))#顯示出n個(gè)不同顏色的色塊
sns.palplot(sns.color_palette("Paired",2n))#顯示出2n個(gè)不同顏色的色塊，且這些顏色兩兩之間是相近的
sns.palplot(sns.color_palette("color"))#由淺入深顯示出同一顏色的色塊
sns.palplot(sns.color_palette("color_r"))##由深入淺顯示出同一顏色的色塊
sns.palplot(sns.color_palette("cubehelix",n))#顯示出n個(gè)顏色呈線性變化的色塊
sns.palplot(sns.cubehelix_palette(k,start=m,rot=n))#顯示出k個(gè)start(0,3)為m，rot(-1,1)為n的呈線性變化的色塊
sns.palplot(sns.light_palette("color"))#將一種顏色由淺到深顯示
sns.palplot(sns.dark_palette("color"))#將一種顏色由深到淺顯示
sns.palplot(sns.dark_palette("color",reverse=bool))#reverse的值為False，則將一種顏色由深到淺顯示；若為True，則將一種顏色由淺到深顯示
4.sns.kdeplot(x,y,cmap=pal)：繪制核密度分布圖。
5.sns.distplot(x,kde=bool,bins=n)：kde代表是否進(jìn)行核密度估計(jì)，也就是是否繪制包絡(luò)線，bins指定繪制的條形數(shù)目。
6.根據(jù)均值和協(xié)方差繪圖：
首先我們要根據(jù)均值和協(xié)方差獲取數(shù)據(jù)
mean,cov = [m,n],[(a,b),(c,d)]#指定均值和協(xié)方差 data = np.random.multivariate_normal(mean,cov,e)#根據(jù)均值和協(xié)方差獲取e個(gè)隨機(jī)數(shù)據(jù) df = pd.DataFrame(data,columns=["x","y"])#將數(shù)據(jù)指定為DataFrame格式 df
然后繪制圖像
sns.jointplot(x="x",y="y",data=df) #繪制散點(diǎn)圖
用sns.jointplot(x="x",y="y",data=df)可以繪制出x和y單變量的條形圖以及x與y多變量的散點(diǎn)圖。
7.在jointplot()函數(shù)中傳入kind=“hex”，能夠在數(shù)據(jù)量比較大時(shí)讓我們更清晰地看到數(shù)據(jù)的分布比重。
x,y = np.random.multivariate_normal(mean,cov,2000).T
with sns.axes_style("white"):
sns.jointplot(x=x,y=y,kind="hex",color="c")繪制出的圖像如下
8.sns.pairplot(df)：繪制出各變量之間的散點(diǎn)圖與條形圖，且對(duì)角線均為條形圖。
在這里我們可以先使用df = sns.load_dataset("")將seaborn中原本帶有的數(shù)據(jù)讀入或用pandas讀取。
9.繪制回歸分析圖：這里可以用兩個(gè)函數(shù)regplot()和lmplot()，用regplot()更好一些。
如果兩個(gè)變量不適合做回歸分析，我們可以傳入x_jitter()或y_jitter()讓x軸或y軸的數(shù)據(jù)輕微抖動(dòng)一些，得出較為準(zhǔn)確的結(jié)果。
10.sns.stripplot(x="",y="",data=df,jitter=bool)：繪制一個(gè)特征變量中的多個(gè)變量與另一變量關(guān)系的散點(diǎn)圖，jitter控制數(shù)據(jù)是否抖動(dòng)。
11.sns.swarmplot(x="",y="",hue="",data=df)：繪制頁狀散點(diǎn)圖，hue指定對(duì)數(shù)據(jù)的分類，由于在大量數(shù)據(jù)下，上面的散點(diǎn)圖會(huì)影響到我們對(duì)數(shù)據(jù)的觀察，這種圖能夠更清晰地觀察到數(shù)據(jù)分布。
12.sns.boxplot(x="",y="",hue="",data=df，orient="h")：繪制盒形圖，hue同樣指定對(duì)數(shù)據(jù)的分類。在統(tǒng)計(jì)學(xué)中有四分位數(shù)的概念，第一個(gè)四分位記做Q1，第二個(gè)四分位數(shù)記做Q2，第三個(gè)四分位數(shù)記做Q3，Q3-Q1得到的結(jié)果Q叫做四分位距，如果一個(gè)數(shù)n,n的范圍是n
13.sns.violinplot(x="",y="",data=df,hue="",split=bool)：繪制小提琴圖，split表示是否將兩類數(shù)據(jù)分開繪制，如果為True，則不分開繪制，默認(rèn)為False。
14.還可以將頁狀散點(diǎn)圖和小提琴圖在一起繪制，只需將兩個(gè)繪圖命令
inner="None"表示去除小提琴圖內(nèi)部的形狀。
15.sns.barplot(x="",y="",hue="",data=df)：按hue的數(shù)據(jù)分類繪制條形圖。
16.sns.pointplot(x="",y="",hue="",data=df)：繪制點(diǎn)圖，點(diǎn)圖可以更好的描述數(shù)據(jù)的變化差異。
17.我們還可以傳入其他參數(shù)：
sns.pointplot(x="class",y="survived",hue="sex",data=titanic,
palette={"male":"#02ff96","female":"#0980e6"},#指定曲線的顏色
markers=["s","d"],linestyles=["-","-."])#指定曲線的點(diǎn)型和線型繪制出的圖像如下
18.sns.factorplot(x="", y="", hue="", data=df)：繪制多層面板分類圖。
sns.factorplot(x="day",y="total_bill",hue="smoker",data=tips)
繪制的圖像如下
19.sns.factorplot(x="",y="",hue="",data=df,kind="")：kind中指定要畫圖的類型。
sns.factorplot(x="day",y="total_bill",hue="smoker",data=tips,kind="bar")
sns.factorplot(x="day",y="total_bill",hue="smoker",col="time",data=tips,kind="swarm")
sns.factorplot(x="time",y="total_bill",hue="smoker",col="day",data=tips,kind="box",size=5,aspect=0.8) #aspect指定橫縱比
20.sns.factorplot()的參數(shù)：
x,y,hue 數(shù)據(jù)集變量 變量名。
date 數(shù)據(jù)集 數(shù)據(jù)集名。
row,col 更多分類變量進(jìn)行平鋪顯示 變量名。
col_wrap 每行的最高平鋪數(shù) 整數(shù)。
estimator 在每個(gè)分類中進(jìn)行矢量到標(biāo)量的映射 矢量。
ci 置信區(qū)間 浮點(diǎn)數(shù)或None。
n_boot 計(jì)算置信區(qū)間時(shí)使用的引導(dǎo)迭代次數(shù) 整數(shù)。
units 采樣單元的標(biāo)識(shí)符，用于執(zhí)行多級(jí)引導(dǎo)和重復(fù)測(cè)量設(shè)計(jì) 數(shù)據(jù)變量或向量數(shù)據(jù)。
order, hue_order 對(duì)應(yīng)排序列表 字符串列表。
row_order, col_order 對(duì)應(yīng)排序列表 字符串列表。
kind : 可選：point 默認(rèn), bar 柱形圖, count 頻次, box 箱體, violin 提琴, strip 散點(diǎn)，swarm 分散點(diǎn) size 每個(gè)面的高度（英寸） 標(biāo)量 aspect 縱橫比 標(biāo)量 orient 方向 "v"/"h" color 顏色 matplotlib顏色 palette 調(diào)色板 seaborn顏色色板或字典 legend hue的信息面板 True/False legend_out 是否擴(kuò)展圖形，并將信息框繪制在中心右邊 True/False share{x,y} 共享軸線 True/False。
21.sns.FacetGrid()：這是一個(gè)很重要的繪圖函數(shù)。
g = sns.FacetGrid(tips,col="time") g.map(plt.hist,"tip")
g = sns.FacetGrid(tips,col="sex",hue="smoker",size=5,aspect=1) g.map(plt.scatter,"total_bill","tip",alpha=0.3,s=100)#alpha指定點(diǎn)的透明度，s指定點(diǎn)的大小 g.add_legend()#添加圖例
g = sns.FacetGrid(tips,col="day",size=4,aspect=0.8) g.map(sns.barplot,"sex","total_bill")
22.sns.PairGrid()：將各變量間的關(guān)系成對(duì)繪制。
iris = sns.load_dataset("iris")
g = sns.PairGrid(iris)
g.map(plt.scatter)
23.g.map_diag()和g.map_offdiag()：繪制對(duì)角線和非對(duì)角線的圖形
g = sns.PairGrid(iris) g.map_diag(plt.hist) #指定對(duì)角線繪圖類型 g.map_offdiag(plt.scatter) #指定非對(duì)角線繪圖類型
g = sns.PairGrid(iris, hue="species") g.map_diag(plt.hist) g.map_offdiag(plt.scatter) g.add_legend()
g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"], hue="species",size=3) g.map(plt.scatter)
g = sns.PairGrid(tips, hue="size", palette="GnBu_d") g.map(plt.scatter, s=50, edgecolor="white") g.add_legend()
24.sns.heatmap()：繪制熱度圖，熱度圖可以很清楚看到數(shù)據(jù)的變化情況以及變化過程中的大值和最小值。
uniform_data = np.random.rand(3, 3) print (uniform_data) heatmap = sns.heatmap(uniform_data)
25.向heatmap()中傳入?yún)?shù)vmin=和vmax=。
ax = sns.heatmap(uniform_data,vmin=0.2,vmax=0.5) #超過大值都是大值的顏色，小于最小值都是最小值的顏色
26.
normal_data = np.random.randn(3, 3) print (normal_data) ax = sns.heatmap(normal_data, center=0) #center指定右側(cè)圖例的中心值
27.
flights = sns.load_dataset("flights")
flights = flights.pivot("month", "year", "passengers")
ax = sns.heatmap(flights, annot=True,fmt="d",linewidth=0.5)
#annot指定是否顯示數(shù)據(jù)，fmt指定數(shù)據(jù)的顯示格式,linewidth指定數(shù)據(jù)格子間的距離
28.
ax = sns.heatmap(flights, cmap="YlGnBu",cbar=True) #cmap指定圖形顏色，cbar表示是否繪制右側(cè)圖例。
上述就是小編為大家分享的怎么在Python中使用seaborn實(shí)現(xiàn)數(shù)據(jù)可視化了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。
