70个精美图快速上手seaborn！

原创

皮大大

发布于 2023-05-31 00:35:04

2.3K0

发布于 2023-05-31 00:35:04

文章被收录于专栏：机器学习/数据可视化机器学习/数据可视化

大家好，我是Peter~

今天给大家带来一篇关于可视化库seaborn库的文章。

Seaborn简介

Seaborn是一个基于Python的数据可视化库，它建立在Matplotlib之上，提供了一种更简单、更美观的方式来创建统计图形。Seaborn旨在帮助用户轻松地生成有吸引力和信息丰富的可视化结果。

以下是Seaborn库的一些主要特点：

美观的默认样式：Seaborn通过提供现成的样式和颜色主题，使得创建各种类型的图形变得更加简单。它的默认样式经过精心设计，使得图表具有更高的可读性和美观度。
内置的统计图形：Seaborn提供了一系列内置的统计图形，例如柱状图、箱线图、散点图、折线图等。这些图形不仅易于使用，还具有各种选项和参数，可以帮助你更好地展示和理解数据。
数据集可视化：Seaborn还包含一些内置的示例数据集，这些数据集可以直接在库中使用。你可以使用这些数据集来快速生成演示图表，同时也可以将它们作为学习和实践的基础。
统计功能增强：Seaborn提供了许多额外的统计功能，使得数据探索更加方便。例如，你可以使用Seaborn轻松地绘制分布图、拟合回归线、绘制核密度图等。
多变量数据可视化：Seaborn提供了一些强大的工具来可视化多变量数据。你可以使用Seaborn绘制矩阵图、热力图、聚类图等，以揭示不同变量之间的关系和模式。

seaborn绘图的高级技巧：http://seaborn.pydata.org/examples/different_scatter_variables.html

导入内置数据

seaborn内置了一些数据集：

In 1:

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

import seaborn as sns

导入seaborn内置的消费数据集：

In 2:

tips = sns.load_dataset("tips")  # 需要网络环境
tips.head()

Out2:

导入iris数据集：

In 3:

iris = sns.load_dataset("iris")  # 需要网络环境
iris

Out3:

下面的图形主要是基于两份数据进行绘制，包含的图形有：

散点图sns.scatter
回归散点图sns.lmplot
分类散点图sns.stripplot
分簇散点图sns.swarmplot
柱状图sns.barplot
计数柱状图sns.countplot
直方图sns.histplot
分布图sns.displot
箱型图sns.boxplot
小提琴图sns.violin
热力图sns.heatmap
聚类热图sns.clustermap
分类图sns.catplot
多图网格sns.FaceGrid

希望帮助读者快速上手seaborn绘图，文章有点长，欢迎点赞收藏。

散点图sns.scatterplot

基础散点图

In 4:

sns.scatterplot(x="total_bill",y="tip",data=tips)

plt.title("basic scatter with seaborn")  # 添加标题

plt.show()

进阶散点图

指定散点的大小：

In 5:

sns.scatterplot(x="total_bill",
                y="tip",
                size="size", # 指定散点大小
                data=tips)

plt.title("better scatter with seaborn")  # 添加标题

plt.show()

指定hue进行分组：

In 6:

sns.scatterplot(x="total_bill",
                y="tip",
                hue="day", # 指定散点大小
                data=tips)

plt.title("better scatter with seaborn")  # 添加标题

plt.show()

回归散点图sns.lmplot

显示散点图中回归趋势线：使用lmplot方法

In 7:

sns.lmplot(x="total_bill",
            y="tip",
            hue="time", # 分组
            data=tips)

plt.title("better scatter with seaborn")  # 添加标题

plt.show()

分类散点图sns.stripplot

默认情况

在默认情况下，只会对数据中数值型字段进行绘图：

In 8:

sns.stripplot(data=tips)

plt.show()

通过参数orient设置水平或者垂直：

In 9:

sns.stripplot(data=tips,orient="h")

plt.show()

基础分类散点图

指定x或者y

In 10:

# 水平
sns.stripplot(data=tips, x="tip")

plt.show()

指定为y轴绘图：

In 11:

# 垂直
sns.stripplot(data=tips, y="tip")

plt.show()

进阶分类散点图

水平方向：

In 12:

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

plt.show()

垂直方向：

In 13:

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

plt.show()

通过hue指定分组：

In 14:

sns.stripplot(data=tips, x="day", y="tip", hue="smoker")

plt.show()

设置多个其他参数：

In 15:

sns.stripplot(
    data=tips, # 指定数据、x、y轴
    x="total_bill", 
    y="day", 
    hue="time",  # 分组字段
    jitter=False,   # 抖动点
    s=20,  # 控制点的大小
    marker="D",  # D-方形  S-圆点
    linewidth=1,  # 线宽
    alpha=.3  # 透明度
)

plt.show()

分簇散点图sns.swarmplot

默认情况

在默认情况下，只会对数据中数值型字段进行绘图：

In 16:

sns.swarmplot(data=tips)

plt.show()

通过orient指定水平方向：

In 17:

sns.swarmplot(data=tips,orient='h')

plt.show()

基础分簇散点图

In 18:

# 水平
sns.swarmplot(data=tips, x="total_bill")

plt.show()

指定在y轴上绘图：

In 19:

# 水平
sns.swarmplot(data=tips, y="total_bill")

plt.show()

同时指定x和y

In 20:

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

plt.show()

进阶分簇散点图

In 21:

sns.swarmplot(data=tips,
              x="time", 
              y="total_bill",
              hue="day", # 指定分组字段
              marker="*",  # 设置marker  默认是圆点
              size=7,  # 设置marker大小
              linewidth=0.5  # 设置线宽
             )

plt.show()

柱状图sns.barplot

基础柱状图

如果只给定x和y，barplot方法实际上进行一个聚合汇总求均值的操作：

In 22:

tips.groupby("day")["tip"].mean()

Out22:

day
Fri     2.734737
Sat     2.993103
Sun     3.255132
Thur    2.771452
Name: tip, dtype: float64

In 23:

sns.barplot(data=tips,x="day",y="tip")

plt.show()

进阶柱状图

hue参数指定分组的字段：

In 24:

sns.barplot(
    data=tips,
    x="day",
    y="tip",
    hue="smoker"  # 指定分组字段
    )

plt.show()

order参数指定x轴label的顺序：

In 25:

sns.barplot(
    data=tips,
    x="day",
    y="tip",
    hue="smoker",  # 指定分组
    order=["Thur","Fri","Sat","Sun"] # 指定x轴label的顺序
    )

plt.show()

水平柱状图

orient参数指定水平h或者垂直v

In 26:

sns.barplot(
    data=tips,
    x="tip",  # x轴的数据必须为数值
    y="day",
    hue="smoker",
    orient="h"
    )

plt.show()

计数柱状图sns.countplot

用于统计DataFrame中某个字段的不同取值数量。比如我们想统计sex中不同性别下的人数：

In 27:

tips.groupby("sex").size()

Out27:

sex
Female     87
Male      157
dtype: int64

可以看到统计结果：Female是87人，Male是157人

In 28:

# 写法1
# sns.countplot(tips["sex"])

# 写法2
sns.countplot(data=tips,x="sex")
plt.show()

也可以指定不同的分组：

In 29:

sns.countplot(data=tips,
              x="sex",
              hue="day"  # 指定分组
             )

plt.show()

绘制水平柱状图：

In 30:

sns.countplot(data=tips,
              y="sex",  # 将x改成y即可
              hue="day"  # 指定分组
             )

plt.show()

直方图sns.histplot

默认情况

如果不传入x和y，默认是对DataFrame中所有的数值字段进行操作：

In 31:

sns.histplot(data=tips)

plt.show()

基础直方图

传入x或者y的情况：

In 32:

sns.histplot(data=tips,x="tip")
# sns.histplot(x=tips["tip"])  等价

plt.show()

In 33:

# fill表示是否填充柱子
sns.histplot(data=tips,x="tip",fill=False)  

plt.show()

改成水平方向柱状图：

In 34:

sns.histplot(data=tips,y="tip")
# sns.histplot(y=tips["tip"])  等价

plt.show()

进阶直方图

binwidth控制每个柱子的宽度；bins控制柱子的个数

In 35:

sns.histplot(data=tips,x="tip",binwidth=0.1,bins=50)

plt.show()

kde开启直方图与核密度图同时显示：

In 36:

sns.histplot(data=tips,x="tip",kde=True)

plt.show()

In 37:

sns.histplot(data=tips,x="tip",hue="day") # 指定分组情况

plt.show()

In 38:

sns.histplot(data=tips,
             x="tip",
             hue="day",
             multiple="stack"  # 以堆叠的形式显示
            ) 

plt.show()

In 39:

sns.histplot(data=tips,
             x="tip", 
             hue="day",# 分组
             stat="density", # 密度图（y轴刻度）
             element="step")  # bars  step  poly ；控制密度图显示方式，默认bars

plt.show()

In 40:

sns.histplot(data=tips,
             x="tip", 
             hue="day",# 分组
             stat="density", # 密度图（y轴刻度）
             element="poly")  # bars step poly ；控制密度图显示方式

plt.show()

分布图sns.displot

基础分布图

默认情况下是统计DataFrame中某个属性中不同取值出现的次数：以柱状图的形式显示

In 41:

tips.groupby("tip").size()

Out41:

tip
1.00     4
1.01     1
1.10     1
1.17     1
1.25     3
        ..
6.70     1
6.73     1
7.58     1
9.00     1
10.00    1
Length: 123, dtype: int64

In 42:

sns.displot(data=tips,x="tip")
# sns.displot(data=tips["tip"])  等价

plt.show()

进阶分布图

In 43:

sns.displot(data=tips,x="tip",hue="sex")  # 指定分组

plt.show()

使用kind参数，取值为：'hist', 'kde', 'ecdf'。hist就是上面默认的情况：

In 44:

sns.displot(data=tips,x="tip",kind="kde")  
# sns.kdeplot(data=tips,x="tip")  等价于kdeplot

plt.show()

ecdf表示累计求和的效果：

In 45:

# empirical cumulative distribution functions (ECDFs)

sns.displot(data=tips,x="tip",kind="ecdf")   

plt.show()

使用直方图结合核密度图：

In 46:

sns.displot(data=tips,x="tip",kde=True)

plt.show()

箱型图sns.boxplot

基础箱型图

In 47:

# sns.boxplot(tips["tip"])  # 等价1；默认是x=tips["tip"]
# sns.boxplot(data=tips, x="tip")  # 等价2
sns.boxplot(x=tips["tip"])
plt.show()

如果指定为y=tips["tip"]，则变成垂直箱型图：

In 48:

# sns.boxplot(data=tips, y="tip")  # 等价

sns.boxplot(y=tips["tip"])
plt.show()

同时指定x和y：

In 49:

sns.boxplot(data=tips, x="day",y="tip")
plt.show()

交换x和y的位置变成水平箱型图：

In 50:

sns.boxplot(data=tips, y="day",x="tip")
plt.show()

进阶箱型图

hue执行分组，此时x和y必须同时指定：

In 51:

# hue执行分组

sns.boxplot(data=tips, x="day",y="tip",hue="sex")
plt.show()

dodge参数表示在执行hue分组的时候，不同组别下的数据是否放在一个主体中：

In 52:

sns.boxplot(data=tips, x="day",y="tip",hue="sex",dodge=False)
plt.show()

设置多个绘图参数：

In 53:

sns.boxplot(data=tips,
            x="day",
            y="tip",
            hue="sex",
            showcaps=False,  # 是否显示箱须（横线部分）
            notch=True  # 是否开启显示V型槽（箱体凹槽）
           )
plt.show()

小提琴图sns.violinplot

基础小提琴图

In 54:

# sns.violinplot(tips["tip"])  # 默认是x=tips["tip"]
# sns.violinplot(x=tips["tip"])  

sns.violinplot(data=tips,x="tip")

plt.show()

垂直小提琴图：

In 55:

# sns.violinplot(data=tips,y="tip")

sns.violinplot(y=tips["tip"])

plt.show()

进阶小提琴图

In 56:

sns.violinplot(data=tips, x="sex",y="tip",hue="day")

plt.show()

交换x和y的位置，变成水平小提琴图：

In 57:

# 交换x和y的位置

sns.violinplot(data=tips, y="sex",x="tip",hue="day")

plt.show()

设置其他参数：

In 58:

sns.violinplot(data=tips, 
               y="sex",
               x="tip",
               hue="day",
               inner="stick"   # 控制内部虚线
              )

plt.show()

热力图sns.heatmap

基础热力图

指定条件下的透视表：

In 59:

table = pd.pivot_table(tips,values="tip",columns=["day"],index=["sex"],aggfunc="mean")
table

Out59:

In 60:

sns.heatmap(table)  # 默认

plt.show()

进阶热力图

In 61:

# 显示文本信息及保留一位小数；设置线宽
sns.heatmap(table, # 数据
            annot=True,  # 显示文本
            fmt=".1f", # 保留一位小数
            linewidths=0.5,  # 设置线宽
            vmin=2,  # 颜色棒的最大值和最小值
            vmax=3.5,
            cbar=True,  # 是否显示右边的颜色棒
            cmap="crest"  # 色谱选择   cmap=sns.cubehelix_palette(as_cmap=True)
           )  

plt.show()

将x轴刻度显示在上面：

In 62:

fig = sns.heatmap(table, annot=True,fmt=".1f")
fig.set(xlabel="",ylabel="")
fig.xaxis.tick_top()

聚类热图sns.clustermap

基础聚类热图

In 63:

iris.dtypes

Out63:

sepal_length    float64
sepal_width     float64
petal_length    float64
petal_width     float64
species          object
species_id        int64
dtype: object

In 64:

# 删除species字段，因为它的取值为字符串信息

iris_new = iris.drop("species",axis=1)
iris_new.head()

Out64:

默认情况下的聚类热力图：

In 65:

sns.clustermap(iris_new)

plt.show()

进阶聚类热图

In 66:

sns.clustermap(iris_new,
               figsize=(10,6),  # 大小
               cmap="mako",  # 色谱
               standard_scale=1,  # 是否数据缩放标准化（颜色棒取值为0到1）
               row_cluster=True,  # 是否row方向聚类效果（左侧）
              )

plt.show()

分类图sns.catplot

分类图方法sns.catplot主要是通过kind参数来指定生成不同的图形，其作用等效于对应的函数：

kind="box"：boxplot
kind="violin"：violinplot
kind="point"：pointplot
kind="bar"：barplot
kind="count"：countplot
kind="strip"：stripplot
kind="swarm"：swarmplot

默认情况

在默认情况下，该函数将会生成散点图：

In 67:

# 垂直方向

sns.catplot(data=tips,x="day",y="tip")
plt.show()

调换x和y的位置：

In 68:

# 水平方向
sns.catplot(data=tips,y="day",x="tip")
plt.show()

kind参数

通过kind参数指定生成不同图形：

In 69:

sns.catplot(data=tips,
            x="day",
            y="tip",
            kind="bar")
plt.show()

In 70:

sns.catplot(data=tips,
            x="day",
            y="tip",
            kind="box")
plt.show()

In 71:

sns.catplot(data=tips,
            x="day",
            y="tip", 
            kind="violin"
           )
plt.show()

In 72:

sns.catplot(data=tips,
            x="day",
            y="tip",
            kind="swarm")
plt.show()

多图网格sns.FacetGrid

如何理解seaborn.FacetGrid函数？

（1）传入绘图数据

In 73:

sns.FacetGrid(tips)

Out73:

（2）指定行、列元素

In 74:

sns.FacetGrid(tips,col="day",row="sex")

Out74:

（3）调用map函数

In 75:

f = sns.FacetGrid(tips,col="day",row="sex")

f.map(sns.scatterplot, "total_bill", "tip")

Out75:

In 76:

f = sns.FacetGrid(tips,col="day",row="sex")

f.map(sns.violinplot, "total_bill")

In 77:

f = sns.FacetGrid(tips,col="day",row="sex")
f.map(sns.histplot, "total_bill")

（4）调用map_dataframe函数

In 78:

f = sns.FacetGrid(tips,col="sex",row="time")

f.map_dataframe(sns.barplot, y="total_bill")

Out78:

In 79:

f = sns.FacetGrid(tips,col="day")

f.map_dataframe(sns.scatterplot, x="total_bill",y="tip")

Out79:

In 80:

f = sns.FacetGrid(tips, col="time")

f.map_dataframe(sns.scatterplot, x="total_bill", y="tip", hue="sex")

f.add_legend()  # 添加图例（右侧）

Out80:

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据分析

数据可视化

机器学习

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。