Day074 Seaborn的使用

Seaborn的使用

简介

Seaborn 是以 matplotlib为底层，更容易定制化作图的Python库。

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，换句话说，matplotlib更加灵活，可定制化，而seaborn像是更高级的封装，使用方便快捷。

应该把Seaborn视为matplotlib的补充，而不是替代物。

安装

pip install seaborn

背景风格管理

除了各种绘图方式外，图形的美观程度可能是我们最关心的了。将它放到第一部分，因为风格设置是一些通用性的操作，对于各种绘图方法都适用。

Seaborn支持的风格有5种：

darkgrid 黑背景-白格whitegrid 白背景-白格dark 黑背景white 白背景ticks

设置风格的方法：

set()set_style(value) 统一设置axes_style(value) 单一设置 from matplotlib import pyplot as plt import numpy as np import seaborn as sns # 获取数据 xiao_mi = np.random.randint(50, 100, size=10) hua_wei = np.random.randint(50, 100, size=10) x = range(10) with sns.axes_style('darkgrid'): plt.subplot(2,3,1) plt.plot(x, xiao_mi) with sns.axes_style('whitegrid'): plt.subplot(2,3,2) plt.plot(x, xiao_mi) with sns.axes_style('dark'): plt.subplot(2,3,3) plt.plot(x, xiao_mi) with sns.axes_style('white'): plt.subplot(2,3,4) plt.plot(x, xiao_mi) sns.set_style('ticks') plt.subplot(2,3,5) plt.plot(x, xiao_mi) plt.show()

注意事项： 修改样式要在填充数据之前

移除轴脊柱

white 和 ticks两个风格都能够移除顶部和右侧的不必要的轴脊柱。通过matplotlib参数是做不到这一点的，但是你可以使用seaborn的despine()方法来移除它们

sns.despine()

注意事项： 移除轴脊柱要在 填充数据之后，在显示图表之前

图像风格管理

这会影响标签的大小，线条和绘图的其他元素，但不会影响整体样式。一组独立的参数控制绘图元素的比例，这应该允许您使用相同的代码来制作适合在适合使用较大或较小绘图的设置中的绘图。

首先让我们通过调用重置默认参数set()：

set()set_context()

四个预设上下文中，在相对大小的顺序，是paper，notebook，talk，和poster。该notebook样式是默认的，并且在上面的图表中使用。

sns.set_context("paper") sinplot()

调色板

颜色比图形样式的其他方面更重要，因为如果有效使用颜色可以更凸显示数据的结果与重要

Seaborn可以轻松选择和使用适合您正在使用的数据类型的调色板以及您可视化的目标

import numpy as np import seaborn as sns import matplotlib.pyplot as plt sns.set() color_palette()能传入任何Matplotlib所支持的颜色color_palette()不写参数则,默认颜色 deep, muted, pastel, bright, dark, colorblind(圆形颜色系统)color_palette() flatui = ["#9b59b6", "#3498db", "#95a5a6", "#e74c3c", "#34495e", "#2ecc71"] light_palette()dark_palette()set_palette()设置所有图的颜色

调色板

current_palette = sns.color_palette() sns.palplot(current_palette) plt.show()

current_palette = sns.color_palette() sns.palplot(current_palette) #12个色块 sns.palplot(sns.color_palette('hls',8))#8个颜色，色度比较亮 plt.show()

连续的调色板

sns.palplot(sns.color_palette('Blues')) sns.palplot(sns.color_palette('Greens_r')) #参数里可以输入数字，指定颜色的块数,_r由深到浅 plt.show()

自定义连续调色板

sns.palplot(sns.light_palette('green')) sns.palplot(sns.dark_palette('purple')) plt.show()

xkcd_rgb 颜色

Xkcd_rgb这产生了一组954种命名颜色，您现在可以使用xkcd_rgb在seaborn中引用它们

plt.plot([0, 1], [0, 1], sns.xkcd_rgb["pale red"], lw=3) plt.plot([0, 1], [0, 2], sns.xkcd_rgb["medium green"], lw=3) plt.plot([0, 1], [0, 3], sns.xkcd_rgb["denim blue"], lw=3)

线性调色板

色板的应用

sns.set_style('whitegrid') #dark;white; data = np.random.normal(size=(20,8))+np.arange(8)/2 #正态分布 loc均值，scale标准差，size20行8列数据 sns.boxplot(data=data,palette=sns.color_palette('hls',8)) plt.show() plt.bar(x,x,color=sns.color_palette('Reds')) plt.show()

单变量

当我们做分析时，一般会看下单数据的分布情况，也就是但变量的分析与统计。

distplot 直方图

import numpy as np import pandas as pd from scipy import stats, integrate import matplotlib.pyplot as plt import seaborn as sns sns.set() x = np.random.normal(size=100) sns.distplot(x,kde=False) #sns.distplot(x, bins=20, kde=False) 设置多少个分组 sns.distplot(x, kde=False)

jointplot 散点图

# 生成 多元高斯正太分布 的数据 # 多元高斯正太分布是一堆正太分布向更多维度的推广，这种分布由其均值和协方差矩阵来确定 data = np.random.multivariate_normal([0,1], [(1,0.5),(0.5,1)], 1000) # 均值， [(1,0.5),(0.5,1)]协方差对称阵 df = pd.DataFrame(data,columns=['x','y']) with sns.axes_style("white"): sns.jointplot(x='x', y='y',data=df) plt.show()

pairplot

该函数会同时绘制数据中所有特征两两之间的关系图.因为pairplot是建立在pairgrid之上,所以可以将中间的很多函数进行变换,例如下面的kde的例子.

默认对角线histgram，非对角线kdeplot

iris=sns.load_dataset('iris') #导入经典的鸢尾花数据 sns.pairplot(iris);

回归分析图

当得到数据时，我可以对连续性的值，可以做一些回归关系的绘制与展示，具体做法如下

sns.lmplot() 功能多，规范多sns.regplot() 推荐，支持的参数与数据类型比较多一些 import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt import seaborn as sns # 准备数据 tips = sns.load_dataset("tips") tips.head() sns.regplot(x="total_bill", y="tip", data=tips) sns.lmplot(x="total_bill", y="tip", data=tips) sns.regplot(data=tips,x="size",y="tip") sns.regplot(x="size", y="tip", data=tips, x_jitter=.05)

多变量分析绘图

# 准备数据 import matplotlib.pyplot as plt import seaborn as sns tips = sns.load_dataset("tips") sns.stripplot(x="day", y="total_bill", data=tips) sns.stripplot(x="day", y="total_bill", data=tips, jitter=True) # 花装图 sns.swarmplot(x="day", y="total_bill", data=tips) sns.swarmplot(x="day", y="total_bill", hue="sex",data=tips) sns.swarmplot(x="total_bill", y="day", hue="time", data=tips); # 盒图 sns.boxplot(x="day", y="total_bill", hue="time", data=tips) # 小提琴图 sns.violinplot(x="total_bill", y="day", hue="time", data=tips) sns.violinplot(x="day", y="total_bill", hue="sex", data=tips, split=True) # 结合使用 sns.violinplot(x="day", y="total_bill", data=tips, inner=None) sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5) titanic= sns.load_dataset('titanic') #条形图 sns.barplot(x="sex", y="survived", hue="class", data=titanic) # 点图 sns.pointplot(x="sex", y="survived", hue="class", data=titanic) sns.pointplot(x="class", y="survived", hue="sex", data=titanic, palette={"male": "g", "female": "m"}, markers=["^", "o"], linestyles=["-", "--"]) # 多功能方法 sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips) sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips, kind="bar") sns.factorplot(x="day", y="total_bill", hue="smoker", col="time", data=tips, kind="swarm") sns.factorplot(x="time", y="total_bill", hue="smoker", col="day", data=tips, kind="box", size=4, aspect=.5) seaborn.factorplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='point', size=4, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)

Parameters：

x,y,hue 数据集变量 变量名date 数据集 数据集名row,col 更多分类变量进行平铺显示 变量名col_wrap 每行的最高平铺数 整数estimator 在每个分类中进行矢量到标量的映射 矢量ci 置信区间 浮点数或Nonen_boot 计算置信区间时使用的引导迭代次数 整数units 采样单元的标识符，用于执行多级引导和重复测量设计 数据变量或向量数据order, hue_order 对应排序列表 字符串列表row_order, col_order 对应排序列表 字符串列表kind : 可选：point 默认, bar 柱形图, count 频次, box 箱体, violin 提琴, strip 散点，swarm 分散点 size 每个面的高度（英寸） 标量 aspect 纵横比 标量 orient 方向 "v"/"h" color 颜色 matplotlib颜色 palette 调色板 seaborn颜色色板或字典 legend hue的信息面板 True/False legend_out 是否扩展图形，并将信息框绘制在中心右边 True/False share{x,y} 共享轴线 True/False

FacetGrid

当想把数据中的多个子集展示出来时，可以使用FacetGrid，步骤如下：

绘画区域使用方法绘画数据

FacetGrid常用参数：

height 高aspect 宽palette 色板col 分图属性(列)row 分图属性(行)hue 属性分类margin_titles size 图的大小，已被height 替代row_order 显示分图的数据hue_kws 显示图标记的形状(散点)

准备数据：

tips = sns.load_dataset("tips") tips.head()

绘图

# 绘画区域 g = sns.FacetGrid(tips, col="time") #----------------- 绘画直方图----------------- g.map(plt.hist, "tip"); #----------------- 绘画散点图------------------- g = sns.FacetGrid(tips, col="sex", hue="smoker") # 根据性别分类多图， 显示出2部分数据 g.map(plt.scatter, "total_bill", "tip", alpha=.7) g.add_legend(); #增加图例 #----------------- 绘画散点图------------------- pal = dict(Lunch="seagreen", Dinner="gray") g = sns.FacetGrid(tips, hue="time", palette=pal, size=5) g.map(plt.scatter, "total_bill", "tip", s=50, alpha=.7, linewidth=.5, edgecolor="white") g.add_legend(); #----------------- 绘画散点图------------------- g = sns.FacetGrid(tips, hue="sex", palette="Set1", size=5, hue_kws={"marker": ["^", "v"]}) g.map(plt.scatter, "total_bill", "tip", s=100, linewidth=.5, edgecolor="white") g.add_legend(); #------------------回归分析图----------------- g = sns.FacetGrid(tips, row="smoker", col="time", margin_titles=True) g.map(sns.regplot, "size", "total_bill", color=".1", fit_reg=False, x_jitter=.1) #------------------条形图----------------- g = sns.FacetGrid(tips, col="day", size=4, aspect=.5) g.map(sns.barplot, "sex", "total_bill"); #------------------盒形图----------------- from pandas import Categorical ordered_days = tips.day.value_counts().index print (ordered_days) ordered_days = Categorical(['Thur', 'Fri', 'Sat', 'Sun']) g = sns.FacetGrid(tips, row="day", row_order=ordered_days, size=1.7, aspect=4,) g.map(sns.boxplot, "total_bill"); with sns.axes_style("white"): g = sns.FacetGrid(tips, row="sex", col="smoker", margin_titles=True, size=2.5) g.map(plt.scatter, "total_bill", "tip", color="#334488", edgecolor="white", lw=.5); g.set_axis_labels("Total bill (US Dollars)", "Tip"); g.set(xticks=[10, 30, 50], yticks=[2, 6, 10]); g.fig.subplots_adjust(wspace=.02, hspace=.02); #g.fig.subplots_adjust(left = 0.125,right = 0.5,bottom = 0.1,top = 0.9, wspace=.02, hspace=.02)

热力图

热力图可以显示多个数据的走势与规律，并可以快速到到大值的与最小值所在位置

import seaborn as sns from matplotlib import pyplot as plt import numpy as np # 注备数据 uniform_data = np.random.rand(3, 3) print (uniform_data) heatmap = sns.heatmap(uniform_data) ax = sns.heatmap(uniform_data, vmin=0.2, vmax=0.5) #设置最大值，也最小值 normal_data = np.random.randn(3, 3) print (normal_data) ax = sns.heatmap(normal_data, center=0) # 航班数据 flights = sns.load_dataset("flights") flights.head() # 转换数据 flights = flights.pivot("month", "year", "passengers") print (flights) ax = sns.heatmap(flights) # 绘画数据 ax = sns.heatmap(flights, annot=True,fmt="d") # 显示数字，并以10进制显示 ax = sns.heatmap(flights, linewidths=.5) # 设置边距 ax = sns.heatmap(flights, cmap="YlGnBu") # 设置颜色 ax = sns.heatmap(flights, cbar=False) #设置图例