国产一级a片免费看高清,亚洲熟女中文字幕在线视频,黄三级高清在线播放,免费黄色视频在线看

以前粗略的學(xué)習(xí)過Matplotlib繪圖、Pandas繪圖（這里是pandas的常見繪圖總結(jié)），但是都未深入的去學(xué)習(xí)過，一遇到問題就翻文檔，效率低下。聽“他們”說matplotlib中的seaborn繪圖很好看而且實用，所以，這里系統(tǒng)的總結(jié)一下seaborn常見的圖形繪制。其目的也是很簡單，方便自己和給大家提供一些幫助（由于英文很菜，每次都查單詞，有些詞匯就翻譯的很生硬，還請諒解……）。

差點忘了，這里使用的數(shù)據(jù)還是seaborn的默認數(shù)據(jù)，很多人再看seaborn的時候?qū)?shù)據(jù)一頭霧水，這里我將存放數(shù)據(jù)的GitHub放在這兒，理解數(shù)據(jù)的含義，對分析問題往往起著事半功倍的效果。

https://github.com/mwaskom/seaborn-data

根據(jù)Seaborn的API，具體如下：

正文

1.Relational plots（關(guān)系圖）

Seaborn中介紹的第一種類型的圖就是Relational plots（關(guān)系圖），這里翻譯一下官網(wǎng)對他的解釋：“統(tǒng)計分析是理解數(shù)據(jù)集中變量如何相互關(guān)聯(lián)以及這些關(guān)系如何依賴于其他變量的過程?？梢暬赡苁沁@個過程的核心部分，因為當(dāng)數(shù)據(jù)被正確地可視化時，人類視覺系統(tǒng)可以看到指示某種關(guān)系的趨勢和模式?！?br> Relational plots（關(guān)系圖）中主要討論的是三個seaborn函數(shù)。我們最常用的是relplot()。這是一個圖形級函數(shù)使用兩種常用方法可視化統(tǒng)計關(guān)系：散點圖（scatter plots）和線圖（line plots）。

還是第一步，導(dǎo)入我們需要的各種模塊：

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snssns.set(style='darkgrid') #這是seaborn默認的風(fēng)格
1
2
3
4
5
1
2
3
4
5

1.1 scatterplot（散點圖）

散點圖是統(tǒng)計可視化的重要組成部分。它使用點云來描述兩個變量的聯(lián)合分布，其中每個點代表數(shù)據(jù)集中的一個觀察。這種描繪可以推斷出大量關(guān)于它們之間是否有任何有意義的關(guān)系的信息。
在seaborn中有幾種（后面介紹）繪制散點圖的方法，當(dāng)兩個變量都是數(shù)字時，應(yīng)該使用的最基本的是scatterplot()功能。在Categorical plots（分類圖）中，我們將看到使用散點圖可視化分類數(shù)據(jù)的專門工具。

在所有的seaborn繪圖時，里面的參數(shù)是眾多的，但是不用擔(dān)心，大部分參數(shù)是相同的，只有少部分存在差異，有些通過對單詞的理解就可知道其含義，這里我只根據(jù)每個具體的圖形重要的參數(shù)做一些解釋，并簡單的介紹這些常用參數(shù)的含義。

• x，y：容易理解就是你需要傳入的數(shù)據(jù)，一般為dataframe中的列；
• hue：也是具體的某一可以用做分類的列，作用是分類；
• data：是你的數(shù)據(jù)集，可要可不要，一般都是dataframe；
• style：繪圖的風(fēng)格（后面單獨介紹）；
• size：繪圖的大?。ê竺娼榻B）；
• palette：調(diào)色板（后面單獨介紹）；
• markers：繪圖的形狀（后面介紹）；
• ci：允許的誤差范圍（空值誤差的百分比，0-100之間），可為‘sd’，則采用標(biāo)準(zhǔn)差（默認95）；
• n_boot（int）：計算置信區(qū)間要使用的迭代次數(shù)；
• alpha：透明度；
• x_jitter，y_jitter：設(shè)置點的抖動程度。

先來個簡單的散點圖，繪制看看效果

#數(shù)據(jù)來源可在seaborn的GitHub上查找tips = sns.load_dataset('tips')ax = sns.scatterplot(x='total_bill', y='tip', data=tips)
1
2
3
1
2
3

接下來，復(fù)雜一點，按另一個變量分組（hue參數(shù)起了作用），不同類型的方式（style），點的大?。╯ize），并顯示具有不同顏色的組：

是不是復(fù)雜的多，當(dāng)然還有很多參數(shù)可以改，這里就不一一介紹了，接下來看lineplot。

1.2 lineplot（線圖）

seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,  size_order=None, size_norm=None, dashes=True, markers=None,   style_order=None, units=None, estimator='mean', ci=95, n_boot=1000,   sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)
1
2
3
4
5
1
2
3
4
5

可以看出，參數(shù)并沒有較散點圖有較大的改變，所以話不多說，直接上圖：

還是下來個簡單的：

接下來，來個復(fù)雜一點兒的：

#使用標(biāo)記而不是破折號來識別組ax = sns.lineplot(x='timepoint', y='signal',hue='event', style='event',markers=True, dashes=False, data=fmri)
1
2
3
1
2
3

1.3 relplot（關(guān)系圖）

relplot（關(guān)系圖）可以看做是lineplot和scatterplot的歸約，可以通過kind參數(shù)來指定畫什么圖形，重要參數(shù)解釋如下：

• kind：默認scatter（散點圖），也可以選擇kind=‘line’（線圖）；
• sizes：List、dict或tuple，可選，簡單點就是圖片大小，注意和size區(qū)分；
• col、row：將決定網(wǎng)格的面數(shù)的分類變量，具體看實例；

tips = sns.load_dataset('tips')g = sns.relplot(x='total_bill', y='tip', data=tips)#兩者效果一模一樣ax = sns.scatterplot(x='total_bill', y='tip', data=tips)
1
2
3
4
1
2
3
4

其他參數(shù)設(shè)置：

關(guān)于kind=‘line’，這里就不畫了，重點是理解參數(shù)的意義。

2.Categorical plots（分類圖）

Categorical plots（分類圖）可以具體分為下面三種類型，8個小圖：

1. Categorical scatterplots（分類散點圖）
   stripplot（分布散點圖）
   swarmplot（分布密度散點圖）
2. Categorical distribution plots（分類分布圖）
   boxplot（箱線圖）
   violinplot（小提琴圖）
   boxenplot（字母價值圖？？？）
3. Categorical estimate plots（分類估計圖）
   pointplot（點圖）
   barplot（條形圖）
   countplot（計數(shù)統(tǒng)計圖）

2.1 Categorical scatterplots（分類散點圖）

2.1.1 stripplot（分布散點圖）

stripplot（分布散點圖）的意思就是按照不同類別對樣本數(shù)據(jù)進行分布散點圖繪制。stripplot（分布散點圖）一般并不單獨繪制，它常常與boxplot和violinplot聯(lián)合起來繪制，作為這兩種圖的補充。

seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, jitter=True, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)
1
2
3
1
2
3

• x，y，data：輸入數(shù)據(jù)可以多種格式傳遞，在大多數(shù)情況下，使用Numpy或Python對象是可能的，但是更可取的是pandas對象，因為相關(guān)的名稱將用于對軸進行注釋。此外，還可以對分組變量使用分類類型來控制情節(jié)元素的順序。
• order：用order參數(shù)進行篩選分類類別，例如：order=[‘sun’,‘sat’]；
• jitter：抖動項，表示抖動程度，可以使float，或者True；
• dodge：重疊區(qū)域是否分開，當(dāng)使用hue時，將其設(shè)置為True，將沿著分類軸將不同色調(diào)級別的條帶分開。
• orient：“v” | “h”，vertical（垂直） 和 horizontal（水平）的意思；

基本的圖

多增加幾個參數(shù)的修改：

ax = sns.stripplot(x='day', y='total_bill', hue='smoker',data=tips, jitter=True,palette='Set2', dodge=True)
1
2
1
2

2.1.2 swarmplot（分布密度散點圖）

這個函數(shù)類似于stripplot()，但是對點進行了調(diào)整(只沿著分類軸)，這樣它們就不會重疊。這更好地表示了值的分布，但它不能很好地擴展到大量的觀測。

可以看出，swarmplot和stripplot參數(shù)上基本一致，少了jitter，因為它顯示的是分布密度，不需要添加抖動項。

ax = sns.swarmplot(x='day', y='total_bill', data=tips)
1
1

多增加幾個參數(shù)的修改：

2.2 Categorical distribution plots（分類分布圖）

2.2.1 boxplot（箱線圖）

boxplot（箱線圖，又稱為盒須圖、盒式圖）便于在變量之間或跨類別變量級別比較的方式,顯示定量數(shù)據(jù)的分布情況。框顯示數(shù)據(jù)集的四分位數(shù)，線顯示分布的其余部分，它能顯示出一組數(shù)據(jù)的最大值、最小值、中位數(shù)及上下四分位數(shù)，使用四分位數(shù)范圍函數(shù)的方法可以確定“離群值”的點。具體用法如下：

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)
1
2
3
1
2
3

• saturation：飽和度，可設(shè)置為1；
• width：float，控制箱型圖的寬度大小；
• fliersize：float，用于指示離群值觀察的標(biāo)記大??；
• whis：可理解為異常值的上限IQR比例；
• notch：我也不知道……

#這些參數(shù)不一定要加，簡單最好，這里只是為了展示參數(shù)的含義ax = sns.boxplot(x='day', y='total_bill', hue='time',data=tips,                  linewidth=0.5,saturation=1,width=1,fliersize=3)
1
2
3
1
2
3

2.2.2 violinplot（小提琴圖）

violinplot與boxplot扮演類似的角色，箱線圖展示了分位數(shù)的位置，它顯示了定量數(shù)據(jù)在一個（或多個）分類變量的多個層次上的分布，這些分布可以進行比較。不像箱形圖中所有繪圖組件都對應(yīng)于實際數(shù)據(jù)點，小提琴繪圖以基礎(chǔ)分布的核密度估計為特征，通過小提琴圖可以知道哪些位置的密度較高。在圖中，白點是中位數(shù)，黑色盒型的范圍是下四分位點到上四分位點，細黑線表示須。外部形狀即為核密度估計。
這是一種可以同時顯示多個數(shù)據(jù)分布的有效和有吸引力的方法，但請記住，估計過程受樣本大小的影響，相對較小的樣本的小提琴手看起來可能會顯得非常平滑。具體用法如下：

• bw：‘scott’, ‘silverman’, float，控制擬合程度。在計算內(nèi)核帶寬時，可以引用規(guī)則的名稱（‘scott’, ‘silverman’）或者使用比例（float）。實際內(nèi)核大小將通過將比例乘以每個bin內(nèi)數(shù)據(jù)的標(biāo)準(zhǔn)差來確定；
• cut：空值外殼的延伸超過極值點的密度，float；
• scale：“area”, “count”, “width”，用來縮放每把小提琴的寬度的方法；
• scale_hue：當(dāng)使用hue分類后，設(shè)置為True時，此參數(shù)確定是否在主分組變量進行縮放；
• gridsize：設(shè)置小提琴圖的平滑度，越高越平滑；
• inner：“box”, “quartile”, “point”, “stick”, None,小提琴內(nèi)部數(shù)據(jù)點的表示。分別表示：箱子，四分位，點，數(shù)據(jù)線和不表示；
• split：是否拆分，當(dāng)設(shè)置為True時，繪制經(jīng)hue分類的每個級別畫出一半的小提琴；

ax = sns.violinplot(x='day', y='total_bill', data=tips)
1
1

設(shè)置按性別分類，調(diào)色為“Set2”，分割，以計數(shù)的方式，不表示內(nèi)部。

2.2.3 violinplot+stripplot（小提琴圖+分布散點圖）

ax = sns.violinplot(x='tip', y='day', data=tips, inner=None,whis=np.inf)ax = sns.stripplot(x='tip', y='day', data=tips,jitter=True, color='c')
1
2
1
2

2.2.4 violinplot+swarmplot（小提琴圖+分布密度散點圖）

2.2.5 boxplot+stripplot（箱線圖+分布散點圖）

ax = sns.boxplot(x='tip', y='day', data=tips, whis=np.inf)ax = sns.stripplot(x='tip', y='day', data=tips,jitter=True, color='c')
1
2
1
2

2.2.6 boxplot+swarmplot（箱線圖+分布密度散點圖）

2.3 Categorical estimate plots（分類估計圖）

2.3.1 barplot（條形圖）

條形圖表示數(shù)值變量與每個矩形高度的中心趨勢的估計值，用矩形條表示點估計和置信區(qū)間，并使用誤差線提供關(guān)于該估計值附近的不確定性的一些指示。具體用法如下：

seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None,capsize=None, dodge=True, ax=None, **kwargs)
1
2
3
4
1
2
3
4

• estimator：用于估計每個分類箱內(nèi)的統(tǒng)計函數(shù)，默認為mean。當(dāng)然你也可以設(shè)置estimator=np.median/np.std/np.var……
• order：選擇和空值順序，例如：order=[‘Sat’,‘Sun’]；
• ci：允許的誤差的范圍（控制誤差棒的百分比，在0-100之間）,若填寫'sd',則用標(biāo)準(zhǔn)誤差(默認為95)，也可設(shè)置ci=None；
• capsize：設(shè)置誤差棒帽條（上下兩根橫線）的寬度，float；
• saturation：飽和度；
• errcolor：表示置信區(qū)間的線條的顏色；
• errwidth：float，設(shè)置誤差條線(和帽)的厚度。

根據(jù)性別分組：

設(shè)置estimator為中位數(shù)（numpy的統(tǒng)計函數(shù)都可以，只要你覺得有意義），設(shè)置誤差棒的寬度，誤差棒的顏色為“c”。

ax = sns.barplot(x='day', y='total_bill',hue='sex', data=tips, estimator=np.median,capsize=0.2,errcolor='c')
1
2
1
2

2.3.2 countplot（計數(shù)圖）

一個計數(shù)圖可以被認為是一個分類直方圖，而不是定量的變量?；镜腶pi和選項與barplot（）相同，因此您可以比較嵌套變量中的計數(shù)。（工作原理就是對輸入的數(shù)據(jù)分類，條形圖顯示各個分類的數(shù)量）。具體參數(shù)如下：

這里參數(shù)并沒有太多改變，orient就是改變方向。但是，值得注意的是缺少了一些參數(shù)，而且countplot中不能同時輸入x和y，卻可以使用hue（這我就很納悶了？？？還望大佬解釋解釋）。

titanic = sns.load_dataset('titanic')ax = sns.countplot(x='class', hue='who', data=titanic)
1
2
1
2

2.3.3 piontplot（點圖）

用散點圖符號表示點估計和置信區(qū)間，點圖代表散點圖位置的數(shù)值變量的中心趨勢估計，并使用誤差線提供關(guān)于該估計的不確定性的一些指示。點圖可能比條形圖（barplot）更有用于聚焦一個或多個分類變量的不同級別之間的比較。他們尤其善于表現(xiàn)交互作用：一個分類變量的層次之間的關(guān)系如何在第二個分類變量的層次之間變化。連接來自相同色調(diào)等級的每個點的線允許交互作用通過斜率的差異進行判斷，這比對幾組點或條的高度比較容易。具體用法如下：

• join：默認兩個均值點會相連接，若不想顯示，可以通過join=False參數(shù)實現(xiàn)；
• scale：float，均值點（默認）和連線的大小和粗細。

tips = sns.load_dataset('tips')ax = sns.pointplot(x='time', y='total_bill', data=tips)
1
2
1
2

嘗試更多參數(shù)，按性別分組，用中位數(shù)進行比較，分開顯示，使用調(diào)色板，修改標(biāo)記類型和線條類型（很多參數(shù)都不是必要的，這里只是盡量充分介紹其用法）。

2.3.4 catplot（）

該函數(shù)提供了對幾個軸級函數(shù)的訪問，這些函數(shù)使用幾種可視化表示形式之一顯示一個數(shù)字變量和一個或多個分類變量之間的關(guān)系。其實說白了就是利用kind參數(shù)來畫前面Categorical plots（分類圖）中的任意8個圖形。具體如下：

seaborn.catplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='strip', height=5, aspect=1, orient=None, color=None, palette=None, legend=True,  legend_out=True, sharex=True, sharey=True, margin_titles=False,  facet_kws=None, **kwargs)
1
2
3
4
5
6
1
2
3
4
5
6

有沒有發(fā)現(xiàn)，它和regplot（關(guān)系圖）的使用方法差不多？

• kind：默認strip（分布散點圖），也可以選擇“point”, “bar”, “count”,
• col、row：將決定網(wǎng)格的面數(shù)的分類變量，可具體制定；
• col_wrap：指定每行展示的子圖個數(shù)，但是與row不兼容；
• row_order, col_order : 字符串列表，安排行和列，以及推斷數(shù)據(jù)中的對象；
• height，aspect：與圖像的大小有關(guān)；
• sharex，sharey：bool, ‘col’or ‘row’，是否共享想，x，y坐標(biāo)；

注：單個圖形里面的參數(shù)也是可以傳入里面的

繪制一個小提琴圖，按數(shù)據(jù)中的kind類別分組（數(shù)據(jù)中的），不要中心框線。

使用diet來分成幾個圖形，并用height、aspect來設(shè)置圖片比例：

g = sns.catplot(x='time', y='pulse', hue='kind',kind='bar',col='diet', data=exercise,height=4, aspect=0.8)
1
2
1
2

3 Distribution plots（分布圖）

3.1 distplot（直方圖）

直方圖又稱質(zhì)量分布圖，它是表示資料變化情況的一種主要工具。用直方圖可以解析出資料的規(guī)則性，比較直觀地看出產(chǎn)品質(zhì)量特性的分布狀態(tài)，對于資料分布狀況一目了然，便于判斷其總體質(zhì)量分布情況。直方圖表示通過沿數(shù)據(jù)范圍形成分箱（好像是等距分箱？），然后繪制條以顯示落入每個分箱的觀測次數(shù)的數(shù)據(jù)分布。具體參數(shù)如下：

• bins：int或list，控制直方圖的劃分，設(shè)置矩形圖（就是塊兒的多少）數(shù)量，除特殊要求一般默認；
• hist：是否顯示方塊；
• kde：是否顯示核密度估計曲線；
• rug：控制是否生成觀測數(shù)值的小細條（邊際毛毯）；
• fit：控制擬合的參數(shù)分布圖形，能夠直觀地評估它與觀察數(shù)據(jù)的對應(yīng)關(guān)系(黑色線條為確定的分布)；
  -{hist, kde, rug, fit}_kws ：參數(shù)接收字典類型，可以自行定義更多高級的樣式；
• norm_hist：若為True, 則直方圖高度顯示密度而非計數(shù)(含有kde圖像中默認為True)；
• vertical：放置的方向，如果為真，則觀測值位于y-軸上（默認False，x軸上）；
• axlabel : string, False, or None, 設(shè)置標(biāo)簽。

設(shè)置隨機種子（666），隨機生成1000個符合正態(tài)分布的數(shù)：

np.random.seed(666)x = np.random.randn(1000)ax = sns.distplot(x)
1
2
3
1
2
3

修改更多參數(shù)，設(shè)置方塊的數(shù)量，方塊、密度曲線和邊際毛毯都顯示，顏色為‘k’，axlabel=‘norm’。

3.2 kdeplot（核密度圖）

核密度估計(kernel density estimation)是在概率論中用來估計未知的密度函數(shù)，屬于非參數(shù)檢驗方法之一。通過核密度估計圖可以比較直觀的看出數(shù)據(jù)樣本本身的分布特征。具體用法如下：

seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel='gau', bw='scott', gridsize=100, cut=3, clip=None, legend=True, cumulative=False, shade_lowest=True, cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)
1
2
3
1
2
3

• data、data2：表示可以輸入雙變量，繪制雙變量核密度圖；
• shade：是否填充陰影，默認不填充；
• vertical：放置的方向，如果為真，則觀測值位于y軸上（默認False，x軸上）；
• kernel：{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ }。默認高斯核（‘gau’）二元KDE只能使用高斯核。至于什么是核函數(shù)，這個學(xué)問就大了，建議多看看論文；
• bw：{‘scott’ | ‘silverman’ | scalar | pair of scalars }。四類核密度帶方法，默認scott (斯考特帶寬法），建議下來了解一下這四種方法的區(qū)別；
• gridsize：這個參數(shù)指的是每個格網(wǎng)里面，應(yīng)該包含多少個點，越大，表示格網(wǎng)里面的點越多（覺得電腦OK的可以試試，有驚喜），越小表示格網(wǎng)里面的點越少；
• cut：參數(shù)表示，繪制的時候，切除帶寬往數(shù)軸極限數(shù)值的多少，這個參數(shù)可以配合bw參數(shù)使用；
• cumulative：是否繪制累積分布；
• shade_lowest：是否有最低值渲染，這個參數(shù)只有在二維密度圖上才有效；
• clip：表示查看部分結(jié)果，是一個區(qū)間；
• cbar：參數(shù)若為True，則會添加一個顏色棒(顏色幫在二元kde圖像中才有)；

有木有覺得參數(shù)超多，所以說核密度圖還是比較難的（雖然容易畫，但原理很復(fù)雜）。下面看幾個簡單的例子：簡單生成一個多元正態(tài)分布（對numpy隨機分布不了解的朋友，可以看我總結(jié)的numpy函數(shù)）。

接下來繪制雙變量核密度圖①：

ax=sns.kdeplot(x,y,shade=True,shade_lowest=False,cbar=True,color='r')
1
1

接下來繪制雙變量核密度圖②：二色二元密度圖，使用大名鼎鼎的鳶尾花數(shù)據(jù)集

3.3 jointplot（聯(lián)合分布圖）

聯(lián)合概率分布簡稱聯(lián)合分布，是兩個及以上隨機變量組成的隨機向量的概率分布。根據(jù)隨機變量的不同，聯(lián)合概率分布的表示形式也不同。對于離散型隨機變量，聯(lián)合概率分布可以以列表的形式表示，也可以以函數(shù)的形式表示；對于連續(xù)型隨機變量，聯(lián)合概率分布通過一非負函數(shù)的積分表示。具體參數(shù)如下：

seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, joint_kws=None, marginal_kws=None, annot_kws=None, **kwargs)
1
2
3
1
2
3

• x,y：為DataFrame中的列名或者是兩組數(shù)據(jù)，data指向dataframe；
• kind : { “scatter” | “reg” | “resid” | “kde” | “hex” }。默認散點圖；
• stat_func：用于計算統(tǒng)計量關(guān)系的函數(shù)；
• ratio：中心圖與側(cè)邊圖的比例，越大、中心圖占比越大；
• dropna：去除缺失值；
• height：圖的尺度大?。ㄕ叫危?；
• space：中心圖與側(cè)邊圖的間隔大??；
• xlim，ylim：x，y的范圍

用邊緣直方圖繪制散點圖：

#用密度估計替換散點圖和直方圖，調(diào)節(jié)間隔和比例：

iris = sns.load_dataset('iris')g = sns.jointplot('sepal_width', 'petal_length', data=iris,kind='kde', space=0,ratio=6 ,color='r')
1
2
1
2

3.4 pairplot（變量關(guān)系組圖）

在數(shù)據(jù)集中繪制成對關(guān)系的圖。默認情況下，該函數(shù)將創(chuàng)建一個軸網(wǎng)格，這樣數(shù)據(jù)中的每個變量都將通過跨一行的y軸和跨單個列的x軸共享。對對角線軸的處理方式不同，繪制的圖顯示該列中變量的數(shù)據(jù)的單變量分布。此外，還可以在行和列上顯示變量子集或繪制不同的變量。具體如下：

• var：data中的子集，否則使用data中的每一列；
• x_vars / y_vars：可以具體細分，誰與誰比較；
• kind：{‘scatter’, ‘reg’}；
• diag_kind：{‘a(chǎn)uto’, ‘hist’, ‘kde’}。單變量圖（自己與自己比較）的繪圖，對角線子圖的圖樣。默認情況取決于是否使用“hue”。

采用默認格式繪制鳶尾花數(shù)據(jù)集，這樣對于分類問題來說并不能有效的觀察數(shù)據(jù)情況。

iris = sns.load_dataset('iris')g = sns.pairplot(iris)
1
2
1
2

使用hue='species'對不同種類區(qū)分顏色繪制，并使用不同標(biāo)記：

4 Regression plots（回歸圖）

4.1 lmplot（回歸圖）

許多數(shù)據(jù)集都有著眾多連續(xù)變量。數(shù)據(jù)分析的目的經(jīng)常就是衡量變量之間的關(guān)系，lmplot() 是一個非常有用的方法，它會在繪制二維散點圖時，自動完成回歸擬合。具體參數(shù)如下：

seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)
1
2
3
4
5
6
7
1
2
3
4
5
6
7

• col，row：和前面一樣，根據(jù)所指定屬性在列，行上分類；
• col_wrap：指定每行的列數(shù)，最多等于col參數(shù)所對應(yīng)的不同類別的數(shù)量；
• aspect：控制圖的長寬比；
• x_jitter，y_jitter：給x，y軸隨機增加噪音點，設(shè)置這兩個參數(shù)不影響最后的回歸直線；
• order：多項式回歸，控制進行回歸的冪次，設(shè)定指數(shù)，可以用多項式擬合；
• logistic：邏輯回歸；
• robust：如果是True，使用statsmodels來估計一個穩(wěn)健的回歸（魯棒線性模型）。這將減少異常值。請注意 logistic回歸和robust回歸相較于簡單線性回歸需要更大的計算量，其置信區(qū)間的產(chǎn)生也依賴于bootstrap采樣，你可以關(guān)掉置信區(qū)間估計來提高速度（ci=None）；
• • lowess：如果是True，使用statsmodels來估計一個非參數(shù)的模型(局部加權(quán)線性回歸)。這種方法具有最少的假設(shè)，盡管它是計算密集型的，但目前無法為這類模型繪制置信區(qū)間；
• logx：轉(zhuǎn)化為log(x)
• truncate：默認情況下，繪制散點圖后繪制回歸線以填充x軸限制。如果為True，則它將被數(shù)據(jù)限制所限制；
  繪制一個第三個變量的條件，并繪制不同顏色的回歸圖：

將變量分為多行，并改變大?。?/p>

g = sns.lmplot(x='total_bill', y='tip', col='day', hue='day',data=tips, col_wrap=2, height=4)
1
2
1
2

4.2 regplot（）

regplot()和lmplot()都可以繪制線性回歸曲線。這兩個函數(shù)非常相似，甚至共有一些核心功能。具體參數(shù)如下：

至于兩者有什么具體的區(qū)別，我也不清楚，但是感覺lmplot()要比regplot()強大一點……以后再總結(jié)吧，還是繼續(xù)繪圖。

g = sns.regplot(x='total_bill', y='tip',data=tips)
1
1

嘗試邏輯回歸分類：

5.Matrix plots（矩陣圖）

5.1 heatmap（熱力圖）

利用熱力圖可以看數(shù)據(jù)表里多個特征兩兩的相似度，類似于色彩矩陣。具體參數(shù)如下：

seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto', yticklabels='auto', mask=None, ax=None, **kwargs)
1
2
3
4
1
2
3
4

• data：矩陣數(shù)據(jù)集，可以使numpy的數(shù)組（array），如果是pandas的dataframe，則df的index/column信息會分別對應(yīng)到heatmap的columns和rows；
• vmax,vmin：圖例中最大值和最小值的顯示值，沒有該參數(shù)時默認不顯示；
• cmap：從數(shù)字到色彩空間的映射，取值是matplotlib包里的colormap名稱或顏色對象，或者表示顏色的列表；
• center：數(shù)據(jù)表取值有差異時，設(shè)置熱力圖的色彩中心對齊值。通過設(shè)置center值，可以調(diào)整生成的圖像顏色的整體深淺；設(shè)置center數(shù)據(jù)時，如果有數(shù)據(jù)溢出，則手動設(shè)置的vmax、vmin會自動改變 ；
• robust：默認取值False；如果是False，且沒設(shè)定vmin和vmax的值，熱力圖的顏色映射范圍根據(jù)具有魯棒性的分位數(shù)設(shè)定，而不是用極值設(shè)定；
• annot(annotate的縮寫)：默認取值False；如果是True，在熱力圖每個方格寫入數(shù)據(jù)；如果是矩陣，在熱力圖每個方格寫入該矩陣對應(yīng)位置數(shù)據(jù)；
• fmt：字符串格式代碼，矩陣上標(biāo)識數(shù)字的數(shù)據(jù)格式，比如保留小數(shù)點后幾位數(shù)字；
• annot_kws:默認取值False；如果是True，設(shè)置熱力圖矩陣上數(shù)字的大小顏色字體；
• square:設(shè)置熱力圖矩陣小塊形狀，默認值是False；
• xticklabels, yticklabels:控制每行列標(biāo)簽名的輸出。默認值是auto，自動選擇標(biāo)簽的標(biāo)注間距，將標(biāo)簽名不重疊的部分(或全部)輸出。如果是True，則以DataFrame的列名作為標(biāo)簽名；
• mask:控制某個矩陣塊是否顯示出來。默認值是None。如果是布爾型的DataFrame，則將DataFrame里True的位置用白色覆蓋掉。

繪制一個簡單的numpy數(shù)組的熱力圖：

顯示數(shù)字和保留幾位小數(shù)，并修改數(shù)字大小字體顏色格式：

x= np.random.rand(10, 10)ax = sns.heatmap(x,annot=True,annot_kws={'size':9,'weight':'bold', 'color':'w'},fmt='.2f')
1
2
1
2

5.2 clustermap（聚類圖）

clustermap() 可以將矩陣數(shù)據(jù)集繪制為層次聚類熱圖。具體參數(shù)如下：

說實在的這個我也不太懂，就拋磚引玉的畫一下圖。

iris = sns.load_dataset('iris')species = iris.pop('species')g = sns.clustermap(iris)
1
2
3
1
2
3

6 FacetGrid（）

在探索中多維數(shù)據(jù)時，一種有用的方法是在數(shù)據(jù)集的不同子集上繪制同一類型圖的多個子圖。該類將數(shù)據(jù)集映射到與數(shù)據(jù)集中變量級別相對應(yīng)的行和列網(wǎng)格中排列的多個軸上。它生成的圖形通常被稱為“格子”或“格子”繪圖，它可以使查看者快速觀察到有關(guān)復(fù)雜數(shù)據(jù)的大量信息。

FacetGrid當(dāng)您想要在數(shù)據(jù)集的子集中分別可視化變量的分布或多個變量之間的關(guān)系時，該類非常有用。一個FacetGrid可以與多達三個維度可以得出：row，col，和hue。前兩個與得到的軸陣列有明顯的對應(yīng)關(guān)系; 將hue變量視為沿深度軸的第三個維度，其中不同的級別用不同的顏色繪制。通過使用FacetGrid數(shù)據(jù)框初始化對象以及將形成網(wǎng)格的行，列或hue維度的變量名稱來使用該類。這些變量（hue）應(yīng)該是分類的或離散的，然后變量的每個級別的數(shù)據(jù)將用于沿該軸的小平面。此外，每個的relplot()，catplot()以及l(fā)mplot()在內(nèi)部使用這些對象。

在大多數(shù)情況下，與直接使用FacetGrid相比，使用圖形級函數(shù)(例如relplot()或catart()要好得多。具體參數(shù)如下：

其實細心的您可能已經(jīng)發(fā)現(xiàn)某些具有相同的規(guī)律，不妨看看前面relplot（）、catplot（）、lmplot（）的參數(shù)，是不是基本上差不多呢？沒錯，其實上面三個繪圖函數(shù)，都用到了FacetGrid（）的思想。此外，pairplot（）走某種意義上來說，也與他們很像。

FacetGrid并不能直接繪制我們想要的圖像，它的基本工作流程是FacetGrid使用數(shù)據(jù)集和用于構(gòu)造網(wǎng)格的變量初始化對象。然后，可以通過調(diào)用FacetGrid.map()或?qū)⒁粋€或多個繪圖函數(shù)應(yīng)用于每個子集 FacetGrid.map_dataframe()，最后，可以使用其他修改參數(shù)的方法調(diào)整繪圖。

下面展示具體實例：使用TIPS數(shù)據(jù)集初始化2x2個面網(wǎng)格:

tips = sns.load_dataset('tips')g = sns.FacetGrid(tips, col='time', row='smoker')#2*2
1
2
1
2

然后，在每個方面上繪制一個二元函數(shù)：

這里我其實有個疑問，為什么g.map()里面用的是plt.scatter等matplotlib.pyplot來繪制圖形，我嘗試了用seaborn里面的sns.scatterplot等也可以繪制相應(yīng)的圖形，區(qū)別在于點的大小形狀不一樣，還望各位看官指點一下其中的差別。

接下來比較一下FacetGrid.map()繪圖與relplot（）、catplot（）、lmplot（）繪圖的區(qū)別（這里只比較relplot（）來繪制散點圖）：

sns.relplot(x='total_bill', y='tip', color='c',col='time',  hue='smoker',data=tips)
1
1

看出來了嗎？結(jié)果是不是很清晰，一目了然？所以說：在大多數(shù)情況下，與直接使用FacetGrid相比，使用圖形級函數(shù)(例如relplot()或catart()要好得多。

7 PairGrid（）

用于繪制數(shù)據(jù)集中成對關(guān)系的子圖網(wǎng)格。該類將數(shù)據(jù)集中的每個變量映射到多軸網(wǎng)格中的列和行。不同的軸級繪圖函數(shù)可用于繪制上、下三角形的二元圖解，并可在對角線上顯示每個變量的邊緣分布。讀到這里你就會發(fā)現(xiàn)，它和pairplot（）有什么區(qū)別呢？

其實PairGrid和pairplot從原理來說是一樣的，但是前面我們可以發(fā)現(xiàn)pairplot繪制的圖像上、下三角形是關(guān)于主對角線對稱的，而PairGrid則可修改上、下三角形和主對角線的圖像形狀。具體事例如下：

8 主題和顏色

8.1 主題（style）

seaborn設(shè)置風(fēng)格的方法主要有三種：

1. set，通用設(shè)置接口
2. set_style，風(fēng)格專用設(shè)置接口，設(shè)置后全局風(fēng)格隨之改變
3. axes_style，設(shè)置當(dāng)前圖（axes級）的風(fēng)格，同時返回設(shè)置后的風(fēng)格系列參數(shù)，支持with關(guān)鍵字用法

seaborn中主要有以下幾個主題：

sns.set_style('whitegrid')  # 白色網(wǎng)格背景sns.set_style('darkgrid')   # 灰色網(wǎng)格背景sns.set_style('dark')       # 灰色背景sns.set_style('white')      # 白色背景sns.set_style('ticks')      # 四周加邊框和刻度
1
2
3
4
5
1
2
3
4
5

相比matplotlib繪圖風(fēng)格，seaborn繪制的直方圖會自動增加空白間隔，圖像更為清爽。而不同seaborn風(fēng)格間，則主要是繪圖背景色的差異。

8.2 環(huán)境（context）

設(shè)置環(huán)境的方法也有3種：

1. set，通用設(shè)置接口
2. set_context，環(huán)境設(shè)置專用接口，設(shè)置后全局繪圖環(huán)境隨之改變
3. plotting_context，設(shè)置當(dāng)前圖（axes級）的繪圖環(huán)境，同時返回設(shè)置后的環(huán)境系列參數(shù)，支持with關(guān)鍵字用法

可以看出，4種默認繪圖環(huán)境最直觀的區(qū)別在于字體大小的不同，而其他方面也均略有差異。詳細對比下4種繪圖環(huán)境下的系列參數(shù)設(shè)置：

8.3 顏色（color_palette()）

seaborn風(fēng)格多變的另一大特色就是支持個性化的顏色配置。顏色配置的方法有多種，常用方法包括以下兩個：

1. color_palette，基于RGB原理設(shè)置顏色的接口，可接收一個調(diào)色板對象作為參數(shù)，同時可以設(shè)置顏色數(shù)量
2. hls_palette，基于Hue(色相)、Luminance(亮度)、Saturation(飽和度)原理設(shè)置顏色的接口，除了顏色數(shù)量參數(shù)外，另外3個重要參數(shù)即是hls

同時，為了便于查看調(diào)色板樣式，seaborn還提供了一個專門繪制顏色結(jié)果的方法palplot。

補充

Seaborn入門詳細教程