Seaborn入门系列（三）——boxplot和violinplot

Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。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，不需要经过大量的调整就能使你的图变得精致。但应强调的是，应该把Seaborn视为matplotlib的补充，而不是替代物。

注：所有代码均在IPython notebook中实现

boxplot

箱形图（Box-plot）又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。它能显示出一组数据的最大值、最小值、中位数及上下四分位数。因形状如箱子而得名。在各种领域也经常被使用，常见于品质管理。图解如下：

接下来我们介绍Seaborn中的箱型图的具体实现方法，这是boxplot的API：

seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs)

我们从具体的实例出发

本文所使用的数据集是鸢尾花卉数据集

x，y：dataframe中的列名（str）或者矢量数据

data：dataframe或者数组

palette：调色板，控制图像的色调

hue（str）：dataframe的列名，按照列名中的值分类形成分类的条形图

order, hue_order (lists of strings)：用于控制条形图的顺序

orient："v""h" 用于控制图像使水平还是竖直显示（这通常是从输入变量的dtype推断出来的，此参数一般当不传入x、y，只传入data的时候使用）

fliersize：float，用于指示离群值观察的标记大小

whis：确定离群值的上下界（IQR超过低和高四分位数的比例），此范围之外的点将被识别为异常值。IQR指的是上下四分位的差值。

width：float，控制箱型图的宽度

violinplot

violinplot与boxplot扮演类似的角色，它显示了定量数据在一个（或多个）分类变量的多个层次上的分布，这些分布可以进行比较。不像箱形图中所有绘图组件都对应于实际数据点，小提琴绘图以基础分布的核密度估计为特征。具体用法如下：

seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True, gridsize=100, width=0.8, inner='box', split=False, dodge=True, orient=None, linewidth=None, color=None, palette=None, saturation=0.75, ax=None, **kwargs)

实例所用的数据集如下：

在这里就不再介绍x，y，hue，data，order，hue_order，palette参数的用法，这些参数的用法和之前介绍的图形的用法是一样的，如有需要可以查看之前的内容。

先来画一个小提琴图：

split：将split设置为true则绘制分拆的violinplot以比较经过hue拆分后的两个量：

scale_hue：bool，当使用色调变量（hue参数）嵌套小提琴时，此参数确定缩放是在主要分组变量（scale_hue = true）的每个级别内还是在图上的所有小提琴（scale_hue = false）内计算出来的。

orient："v""h" 用于控制图像使水平还是竖直显示（这通常是从输入变量的dtype推断出来的，此参数一般当不传入x、y，只传入data的时候使用）

inner：控制violinplot内部数据点的表示，有“box”,“quartile”,“point”,“stick”四种方式。

scale：该参数用于缩放每把小提琴的宽度，有“area”,“count”,“width”三种方式

cut：float，距离，以带宽大小为单位，以控制小提琴图外壳延伸超过内部极端数据点的密度。设置为0以将小提琴范围限制在观察数据的范围内（即，在ggplot中具有与trim = true相同的效果)

width：float，控制钢琴图的宽度（比例）

这已经是Seaborn入门系列的第三篇文章了，相信大家已经大概了解Seaborn的作图过程，也可以体会到用Seaborn作图相比于matplotlib更加简单。以上内容是我结合官方文档和自己的一点理解写成的，有什么错误大家可以指出来并提提意见，共同交流、进步，也希望我写的这些能够给阅读完本文的你或或少的帮助！

关注iPythonistas

一起学数据分析