Seaborn从零开始学习教程(四)

Seaborn学习大纲

seaborn的学习内容主要包含以下几个部分:

  1. 风格管理
    • 绘图风格设置:Seaborn从零开始学习教程(一)
    • 颜色风格设置:Seaborn从零开始学习教程(二)
  2. 绘图方法
    • 数据集的分布可视化:Seaborn从零开始学习教程(三)
    • 分类数据可视化
    • 线性关系可视化
  3. 结构网格
    • 数据识别网格绘图

本次将主要介绍 分类数据可视化的使用。

分类数据可视化

数据集中的数据类型有很多种,除了连续的特征变量之外,最常见的就是类目型的数据类型了,常见的比如人的性别,学历,爱好等。这些数据类型都不能用连续的变量来表示,而是用分类的数据来表示。

seaborn针对分类型的数据有专门的可视化函数,这些函数可大致分为三种:

  • 分类数据散点图: swarmplot(), stripplot()
  • 分类数据的分布图: boxplot(), violinplot()
  • 分类数据的统计估算图 : barplot(), pointplot()

这三类函数可有特点,可以从各个方面展示分类数据的可视化效果,下面我们一一介绍。首先的首先还是先导入需要的模块和数据集。

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style="whitegrid", color_codes=True)
np.random.seed(sum(map(ord, "categorical")))
titanic = sns.load_dataset("titanic")
tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")

分类数据散点图

在分类数据的基础上展示定量数据的最简单函数就是 stripplot()。

sns.stripplot(x="day", y="total_bill", data=tips);

这看上去类似散点图,但不同的是,横坐标是分类的数据,只不过一些数据点上会互相重叠,不便于观察。所以一个简单的解决办法是加入 jitter 参数,调整横坐标位置。

sns.stripplot(x="day", y="total_bill", data=tips, jitter=True);

当然,还有一个不同的方法就是使用 swarmplot() 函数,这个函数的好处就是所有的点都不会重叠,这样可以很清晰的观察到数据的分布。

sns.swarmplot(x="day", y="total_bill", data=tips);

在这基础上,也可以通过 hue 参数加入另一个嵌套的分类变量,而且嵌套的分类变量可以以不同的颜色区别,十分方便。

sns.swarmplot(x="day", y="total_bill", hue="sex", data=tips);

通常情况下,seaborn 还会尝试推断出分类变量的顺序。如果你的数据是 pandas 的分类数据类型,那么就是使用默认的分类数据顺序,如果是其他的数据类型,字符串类型的类别将按照它们在DataFrame中显示的顺序进行绘制,但是数组类别将被排序:

sns.swarmplot(x="size", y="total_bill", data=tips);

有时候将分类变量放在垂直轴上是非常有用的(当类别名称相对较长或有很多类别时,这一点特别有用)。 可以使用 orient 关键字强制定向,但通常可以互换x和y的变量的数据类型来完成:

sns.swarmplot(x="total_bill", y="day", hue="time", data=tips);

分类数据分布图

虽然分类的散点图很有用,但有时候想要快速查看各分类下的数据分布就不是很直观了。为此,第二种函数解决了这个问题。

箱型图

通过箱型图可以很直观的观察到数据的四分位分布(1/4分位,中位数,3/4分位,以及四分位距),这种可视化对于在机器学习的预处理阶段(尤其是发现数据异常离散值)十分有效。

sns.boxplot(x="day", y="total_bill", hue="time", data=tips);

对于箱型图来说,使用 hue 参数的假设是这个变量嵌套在x或者y轴内。所以默认的情况下,hue 变量的不同类型值会保持偏置状态(两类或几类数据共同在x轴数据类型的一个类中),就像上面那个图所示。但是如果 hue 所使用的变量不是嵌套的,那么你可以使用 dodge 参数来禁止这个默认的偏置状态。

tips["weekend"] = tips["day"].isin(["Sat", "Sun"])
sns.boxplot(x="day", y="total_bill", hue="weekend", data=tips, dodge=False);

提琴图

另一种不同的方法是 violinplot() 函数,它结合了箱体图和分布教程中描述的核心密度估计过程:

sns.violinplot(x="total_bill", y="day", hue="time", data=tips);

这种方法使用核密度估计来更好地描述值的分布。此外,小提琴内还显示了箱体四分位数和四分位距。由于小提琴使用KDE,还有一些其他可以调整的参数,相对于简单的boxplot增加了一些复杂性:

sns.violinplot(x="total_bill", y="day", hue="time", data=tips,
               bw=.1, scale="count", scale_hue=False);

当 hue 的嵌套类型只有两类的时候,也可以使用 split 参数将小提琴分割:

sns.violinplot(x="day", y="total_bill", hue="sex", data=tips, split=True);

在提琴图内,也可以使用 inner 参数以横线的形式来展示每个观察点的分布,来代替箱型的整体分布:

sns.violinplot(x="day", y="total_bill", hue="sex", data=tips,
               split=True, inner="stick", palette="Set3");

还有一点比较好的是,可以将 swarmplot(),violinplot(),或 boxplot() 混合使用,这样可以结合多种绘图的特点展示更完美的效果。

sns.violinplot(x="day", y="total_bill", data=tips, inner=None)
sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5);

分类数据统计估计图

有时候,我们不想展示分类数据下的分布,而是想展示每一类的集中趋势。seaborn 有两个主要的方法来展示这个,并且这些函数api与上面函数的用法是一样的。

条形图

我们最熟悉的方式就是使用一个条形图。 在Seaborn中 barplot() 函数会在整个数据集上显示估计,默认情况下使用均值进行估计。 当在每个类别中有多个类别时(使用了 hue),它可以使用引导来计算估计的置信区间,并使用误差条来表示置信区间:

sns.barplot(x="sex", y="survived", hue="class", data=titanic);

条形图的特殊情况是当您想要显示每个类别的数量,而不是计算统计量。这有点类似于一个分类而不是定量变量的直方图。在Seaborn中,使用 countplot() 函数很轻易的完成:

sns.countplot(x="deck", data=titanic, palette="Greens_d");

如果将要计数的变量移动到y轴上,那么条形就会横过来显示:

sns.countplot(y="deck", hue="class", data=titanic, palette="Greens_d");

点图

pointplot() 函数提供了估计可视化的另一种风格。该函数会用高度估计值对数据进行描述,而不是显示一个完整的条形,它只绘制点估计和置信区间。另外,点图连接相同hue类别的点,比如male中的蓝色会连接female中的蓝色。这使得很容易看出主要关系如何随着第二个变量的变化而变化,因为你的眼睛可以很好地辨别斜率的差异:

sns.pointplot(x="sex", y="survived", hue="class", data=titanic);

为了使能够更好的显示,可以使用不同的标记和线条样式来展示不同 hue 类别的层次:

sns.pointplot(x="class", y="survived", hue="sex", data=titanic,
              palette={"male": "g", "female": "m"},
              markers=["^", "o"], linestyles=["-", "--"]);

绘制宽格式数据

虽然使用“长格式”或“整洁”数据是优选的,但是这些函数也可以应用于各种格式的“宽格式”数据,包括pandas DataFrame或二维numpy数组阵列。这些对象应该直接传递给数据参数:

sns.boxplot(data=iris, orient="h");

此外,这些函数也接受Pandas或numpy对象的向量,而不仅仅是DataFrame中的变量:

sns.violinplot(x=iris.species, y=iris.sepal_length);

为了控制由上述函数制作的图形的大小和形状,你必须使用matplotlib命令自己设置图形。 当然,这也意味着这些图块可以和其他种类的图块一起在一个多面板的绘制中共存:

f, ax = plt.subplots(figsize=(7, 3))
sns.countplot(y="deck", data=titanic, color="c");

绘制多层面板分类图

正如我们上面提到的,有两种方法可以在Seaborn中绘制分类图。与回归图中的二元性相似,您可以使用上面介绍的函数,也可以使用更高级别的函数factorplot(),将这些函数与 FacetGrid() 相结合,通过这个图形的更大的结构来增加展示其他类别的能力。 默认情况下,factorplot() 产生一个 pairplot():

sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips);

但是,kind 参数可以让你选择以上讨论的任何种类的图:

sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips, kind="bar");

使用 factorplot() 的主要优点是可以很容易使用 "facet" 绘制多面图,展示更多其他分类变量:

sns.factorplot(x="day", y="total_bill", hue="smoker",
               col="time", data=tips, kind="swarm");

任何一种图形都可以画出来。由于 FacetGrid 的工作原理,要更改图形的大小和形状,需要指定适用于每个图的 size 和 aspect 参数:

sns.factorplot(x="time", y="total_bill", hue="smoker",
               col="day", data=tips, kind="box", size=4, aspect=.5);

你也可以直接使用 boxplot() 和 FacetGrid 来制作这个图。但是,必须特别注意确保每个图的分类变量的顺序需要被强制,或者是使用具有Categorical数据类型的数据或通过命令和 hue_order。

sns.factorplot(x="time", y="total_bill", hue="smoker",hue_order=["No","Yes"]
               ,col="day", data=tips, kind="box", size=4, aspect=.5,
              palette="Set3");

由于通用API函数的存在,分类数据也可以很容易应用于其他更复杂的上下文。 例如,它们可以轻松地与 PairGrid 结合,以显示多个不同变量之间的分类关系:

g = sns.PairGrid(tips,
                 x_vars=["smoker", "time", "sex"],
                 y_vars=["total_bill", "tip"],
                 aspect=.75, size=3.5)
g.map(sns.violinplot, palette="pastel");

http://seaborn.pydata.org/tutorial/categorical.html

原文发布于微信公众号 - Python数据科学(Python_Spiderman)

原文发表时间:2018-06-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏本立2道生

滤波器——BoxBlur均值滤波及其快速实现

在数字图像处理的语境里,图像一般是二维或三维的矩阵,卷积核(kernel)和滤波器(filter)通常指代同一事物,即对图像进行卷积或相关操作时使用的小矩阵,尺...

1481
来自专栏机器学习、深度学习

人群密度估计--Crowd Counting Via Scale-adaptive Convolutional Nerual Network

Crowd Counting Via Scale-adaptive Convolutional Nerual Network https://arxiv....

2525
来自专栏DHUtoBUAA

编程求取直线一般式表达式,两直线交点

背景介绍   最近在水面无人艇(USV)模拟仿真中,用到了一些点和线的关系求解,本文主要讲述一下两点确认直线,点到直线距离,两条直线的交点等问题的解决方法,并给...

4997
来自专栏数据科学学习手札

(数据科学学习手札25)sklearn中的特征选择相关功能

一、简介   在现实的机器学习任务中,自变量往往数量众多,且类型可能由连续型(continuou)和离散型(discrete)混杂组成,因此出于节约计算成本、精...

5049
来自专栏Gaussic

使用TensorFlow训练循环神经网络语言模型

读了将近一个下午的TensorFlow Recurrent Neural Network教程,翻看其在PTB上的实现,感觉晦涩难懂,因此参考了部分代码,自己写了...

2623
来自专栏人工智能LeadAI

实现与优化深度神经网络

全连接神经网络 辅助阅读:TensorFlow中文社区教程 - 英文官方教程(http://www.tensorfly.cn/tfdoc/tutorials/m...

35611
来自专栏IT派

一文带你入门Tensorflow

导语:此文编译自FCC(FreeCodeCamp),作者为Déborah Mesquita,该作者利用神经网络和TensorFlow进行了机器文本分类,并提出了...

4439
来自专栏MixLab科技+设计实验室

用谷歌新开源的deeplearnJS预测互补颜色

本文翻译自deeplearnJS的示例教程,并结合了我在学习过程中的理解。 deeplearnJS简介: deeplearn.js是用于机器学习的开源WebGL...

3258
来自专栏量化投资与机器学习

机器学习模型的变量评估和选择基于技术指标『深度解析』

简介 本文重点介绍机器学习模型中输入变量(预测因子)的选择,预处理以及评估的相关细节。所有的计算和实验将用R语言来实现。 输入数据 我们将采用11个指标(振荡器...

3685
来自专栏大数据文摘

机器学习中的线性代数:关于常用操作的新手指南

2062

扫码关注云+社区

领取腾讯云代金券