利用Python的Seaborn快速完成数据可视化

本篇文章介绍一个以matplotlib为底层,更容易定制化作图的库Seaborn

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,在大多数情况下使用seaborn就能做出很具有吸引力的图,而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充,而不是替代物。

安装seaborn的方法

pip install seaborn

原始数据展现(这是一份家庭调查的数据,preglngth - 怀孕周长, birthord - 孕妇的第几个孩子, birthwgt_lb1 - 婴儿重量(单位:磅), birthwgt_oz1 - 婴儿重量(单位:盅司), agepreg - 孕妇在分娩时的年龄)

import pandas as pd
births = pd.read_csv('births.csv')

直方图:现在用seaborn.distplot()来制作直方图,观察之间的差异

# 对上表的prglngth列做一个直方图
import matplotlib.pyplot as plt
import seaborn as sns #要注意的是一旦导入了seaborn,matplotlib的默认作图风格就会被覆盖成seaborn的格式
%matplotlib inline  # 为了在jupyter notebook里作图,需要用到这个命令
sns.distplot(births['prglngth'])
sns.plt.show()

可以看到与使用matplotlib作的直方图最大的区别在于有一条密度曲线(KDE),可以通过设置参数去掉这条默认的曲线。

sns.distplot(births['prglngth'], kde=False)
sns.plt.show()

那么Pandas与Seaborn之间有什么区别呢?

其实两者都是使用了matplotlib来作图,但是有非常不同的设计差异

1. 在只需要简单地作图时直接用Pandas,但要想做出更加吸引人,更丰富的图就可以使用Seaborn

2. Pandas的作图函数并没有太多的参数来调整图形,所以你必须要深入了解matplotlib

3. Seaborn的作图函数中提供了大量的参数来调整图形,所以并不需要太深入了解matplotlib

4. Seaborn的API:https://stanford.edu/~mwaskom/software/seaborn/api.html#style-frontend

# 对上图进行更多的配置
sns.set_style('dark')                # 该图使用黑色为背景色
sns.distplot(births['prglngth'], kde=False) # 不显示密度曲线
sns.axlabel('Birth number', 'Frequency') # 设置X轴和Y轴的坐标含义
sns.plt.show()

箱型图

# 以birthord作为x轴,agepreg作为y轴,做一个箱型图
sns.boxplot(x='birthord', y='agepreg', data=births)
sns.plt.show()

多变量作图

seaborn可以一次性两两组合多个变量做出多个对比图,有n个变量,就会做出一个n × n个格子的图,譬如有2个变量,就会产生4个格子,每个格子就是两个变量之间的对比图

1. var1 vs var1

2. var1 vs var2

3. var2 vs var1

4. var2 vs var2

相同的两个变量之间(var1 vs var1 和 var2 vs var2)以直方图展示,不同的变量则以散点图展示(var1 vs var2 和var2 vs var1)

要注意的是数据中不能有NaN(缺失的数据),否则会报错

sns.pairplot(births, vars=['agepreg', 'prglngth','birthord'])
sns.plt.show()

原文发布于微信公众号 - 数据分析1480(lsxxx2011)

原文发表时间:2019-05-16

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

扫码关注云+社区

领取腾讯云代金券