Python简单高效的可视化神器——Seaborn

MeteoAI

发布于 2019-07-22 18:25:25

2.5K0

发布于 2019-07-22 18:25:25

文章被收录于专栏：MeteoAIMeteoAI

前面我们已经介绍了matplotlib的一些基础和进阶的操作，相信大家已经掌握了。没有掌握的同学快回去学一学！

如何用python画图——带你入门matplotlib

如何用python画图--matplotlib实例与补充

我们也在文章Python可视化工具概览中介绍了，seaborn其实是在matplotlib基础上进行了更高级的封装，使得一些出图更加的快捷方便而且美观。

seaborn对matplotlib和pandas的数据结构高度兼容，非常适合用于数据的可视化分析。seaborn官网：http://seaborn.pydata.org/

好了，下面我们就正式开始了，依旧是从实例开始带大家轻松愉快入门~

import seaborn as sns # 导入 seaborn 模块
sns.set() # 使用set() 1步设置默认样式

# 切换回matplotlib:
# sns.reset_orig() ## reset back to the matplotlib

# 默认参数：
seaborn.set(context='notebook', style='darkgrid', 
                   palette='deep', font='sans-serif', 
                   font_scale=1, color_codes=True, rc=None)

其中：

context='' 参数控制着默认的画幅大小，分别有 {paper, notebook, talk, poster} 四个值。其中，poster > talk > notebook > paper。
style='' 参数控制默认样式，分别有 {darkgrid, whitegrid, dark, white, ticks}，你可以自行更改查看它们之间的不同。
palette='' 参数为预设的调色板。分别有 {deep, muted, bright, pastel, dark, colorblind} 等，你可以自行更改查看它们之间的不同。
font='' 用于设置字体，
font_scale= 设置字体大小，
color_codes= 不使用调色板而采用先前的 'r' 等色彩缩写。

0. appetizer

## appetizer：
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
sns.set()

x = np.linspace(0,20,8)
y_bar = np.random.randint(5,20,8)
y_line = y_bar 

plt.figure(figsize=(8,6))
plt.bar(x, y_bar, color='r')
plt.plot(x, y_line, '-o', color='g')
plt.tick_params(labelsize='15', width=1)

plt.show()

1. lmplot

import seaborn as sns
sns.set()

## load dataset
iris_data = sns.load_dataset('iris')  # 导入iris数据集做实验
iris_data.head()  # 预览该数据集

# plot：
# lmplot: 可以绘制原始数据、线性拟合线及其置信区间
sns.set(font_scale = 1.6)
sns.lmplot(x='sepal_length', y='sepal_width', hue='species', data=iris_data, height=6, aspect=1.5)
# FYI: https://seaborn.pydata.org/generated/seaborn.lmplot.html
plt.show()

sns.lmplot() 里的 x, y 分别代表横纵坐标的列名。hue= 代表按照 species，即花的类别分类显示，data= 即为数据集。

2. distplot and kdeplot

seaborn.distplot() 主要用于查看单变量的分布状况。

## distplot: 单变量分布的可视化
plt.figure(figsize = (8, 6))
sns.set(font_scale = 1.6)
x = np.random.randn(100)
sns.distplot(x,kde=True,rug=True,hist=True)
plt.show()

seaborn.kdeplot() 主要用于绘制单变量或二元变量的核密度估计图，可以查看变量的分布状况。

## kdeplot：single variable
plt.figure(figsize = (8, 6))
sns.kdeplot(data=iris_data["sepal_length"], shade=True)
# Labeling of plot
# plt.xlabel('X'); plt.ylabel('Y'); plt.title('Distribution');
plt.show()
############################
## kdeplot：double variables
plt.figure(figsize = (8, 6))
sns.kdeplot(data=iris_data["sepal_length"], data2=iris_data["sepal_width"], shade=True)
# Labeling of plot
# plt.xlabel('X'); plt.ylabel('Y'); plt.title('Distribution');
plt.show()

3. heatmap

seaborn.heatmap() 主要是用于绘制热力图，也就类似于色彩矩阵。常用于相关系数矩阵的可视化，评估变量之间的相关性。

## Heatmap
sns.set(font_scale=1.5)
plt.figure(figsize = (10, 10))
# 生成 10x10 的随机矩阵
matrix_data = np.random.randn(10, 10)
plt.title('Heatmap');
sns.heatmap(matrix_data, cmap = plt.cm.RdYlBu_r, fmt='.2f', vmin = -0.6, annot = True, vmax = 0.6)
# FYI: https://seaborn.pydata.org/generated/seaborn.heatmap.html?highlight=heatmap#seaborn.heatmap
plt.show()

4. JointGrid() and jointplot

seaborn.JointGrid() 可以绘制单变量和双变量的组合图。

# load data
iris_data = sns.load_dataset('iris')
# 我们将中间的图选为双变量的散点图，而上面和右面选为单变量的直方图
sns.JointGrid(data=iris_data, x='sepal_length', y='sepal_width',height=10).plot(sns.regplot, sns.distplot)
# FYI: https://seaborn.pydata.org/generated/seaborn.JointGrid.html?highlight=jointgrid
plt.show()

seaborn.jointplot()是seaborn.JointGrid()更高级的封装，使用更加灵活。

## jointplot:
sns.set(font_scale=1.6)
sns.jointplot(x='sepal_length', y='sepal_width', height=8, data=iris_data, kind="reg")
plt.show()

5. PairGrid and pairplot

seaborn.PairGrid() 可以用来查看两个维度数据之间的关系。

## PairGrid
# load data
iris_data = sns.load_dataset('iris')
# plot
sns.PairGrid(data=iris_data, hue='species').map(plt.scatter)
# FYI: https://seaborn.pydata.org/generated/seaborn.PairGrid.html?highlight=pairgrid
plt.show()

seaborn.pairplot()是seaborn.PairGrid()更高级的封装，使用更加灵活。

## pairplot
sns.set(style="ticks", color_codes=True,font_scale=1.5) 
iris = sns.load_dataset("iris")
g = sns.pairplot(iris,hue='species', height=3, diag_kind='kde',diag_kws=dict(shade=True),plot_kws=dict(s=40))
# FYI: https://seaborn.pydata.org/generated/seaborn.pairplot.html?highlight=pairplot#seaborn.pairplot

6. boxplot

## boxplot
## load data:
tips = sns.load_dataset("tips")
## plot:
sns.set(font_scale=1.5)
plt.figure(figsize = (12, 8))
sns.boxplot(x="day", y="total_bill", hue="smoker",data=tips, palette="Set3")
# FYI : https://seaborn.pydata.org/generated/seaborn.boxplot.html?highlight=boxplot#seaborn.boxplot

7. catplot

seaborn.catplot()可以用来查看数值型变量和一个或多个类别型变量的关系。具体内容还是强烈建议大家查阅官网。

其提供的kind参数可以做很多画图类型的选择：

# Categorical scatterplots:
stripplot() (with kind="strip"; the default)
swarmplot() (with kind="swarm")
# Categorical distribution plots:
boxplot() (with kind="box")
violinplot() (with kind="violin")
boxenplot() (with kind="boxen")
# Categorical estimate plots:
pointplot() (with kind="point")
barplot() (with kind="bar")
countplot() (with kind="count")

# catplot 
"""
It can also be useful to combine swarmplot() or striplot() with a box plot or violin plot 
to show each observation along with a summary of the distribution:
"""
sns.set(font_scale=1.5) 
g = sns.catplot(x="day", y="total_bill", kind="violin", inner=None, data=tips,height=7,aspect=1.6)
sns.swarmplot(x="day", y="total_bill", color="k", size=5, data=tips, ax=g.ax);