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

哈嘍，大家好。

今天詳解 Seaborn，它基于 Matplotlib，用來(lái)制作統(tǒng)計(jì)圖形的 Python 庫(kù)。

Seaborn 的優(yōu)勢(shì)：

• 圖表豐富，比 matplotlib 易用
• 與 pandas 結(jié)合
• 支持?jǐn)?shù)值類(lèi)型多變量關(guān)系圖
• 支持?jǐn)?shù)值類(lèi)型數(shù)據(jù)分布圖
• 支持類(lèi)別類(lèi)型數(shù)據(jù)可視化
• 支持回歸模型以及可視化
• 輕松構(gòu)建結(jié)構(gòu)化多圖網(wǎng)格

我整理了一份 seaborn 核心知識(shí)點(diǎn)的思維導(dǎo)圖

需要的朋友文末回復(fù)關(guān)鍵詞獲取。

下面我們就來(lái)學(xué)習(xí)一下這個(gè)強(qiáng)大的 Searborn 。

1. 多變量關(guān)系圖

多變量關(guān)系圖其實(shí)就是二維散點(diǎn)圖和線圖，可以通過(guò)這些函數(shù)來(lái)繪制：relplot()、scatterplot()和lineplot()。

scatterplot()只能繪制散點(diǎn)圖，lineplot()只能繪制線圖。

relplot()都可以繪制，通過(guò)kind參數(shù)來(lái)區(qū)分：

• kind='scatter'（默認(rèn)）等價(jià)于scatterplot()
• kind='line'等價(jià)于lineplot()

在 seaborn 中，定義一個(gè)通用函數(shù)并用kind參數(shù)指定需要繪制的圖形，這種形式很常見(jiàn)。這樣做法的好處在于，調(diào)用一個(gè)函數(shù)便可以繪制多種圖形。

1.1 繪圖

繪制散點(diǎn)圖

繪制線圖

df = pd.DataFrame({'a': range(10), 'b': np.random.randn(10)})
sns.relplot(x='a', y='b', kind='line', data=df)

seaborn 可以直接讀取 pandas DataFrame中的列作為x軸和y軸，一行代碼即可完成繪圖，使用比 matplotlib 更容易。

1.2 常用參數(shù)

relplot()函數(shù)中有一些常用的參數(shù)，可以幫助我們繪制更復(fù)雜的圖形。

以上面散點(diǎn)圖為例，設(shè)置hue參數(shù)，可以為不同類(lèi)別的點(diǎn)繪制不同的顏色。

smoker是tips中的一列，取值為Yes和No，上面散點(diǎn)圖中smoker=Yes時(shí)點(diǎn)是藍(lán)色，smoker=No時(shí)，點(diǎn)是橙色。

設(shè)置col參數(shù)，可以將數(shù)據(jù)繪制不同的散點(diǎn)圖中

sns.relplot(x='total_bill', y='tip', col='smoker', data=tips);

smoker=Yes的數(shù)據(jù)都繪制在第1行第1列的散點(diǎn)圖中；smoker=No的數(shù)據(jù)都繪制在第1行第2列的散點(diǎn)圖中。

設(shè)置style參數(shù)，可以為不同類(lèi)別的點(diǎn)繪制不同的形狀。

smoker=Yes的是圓點(diǎn)；smoker=No是星號(hào)。

下圖列舉了replot的其他的參數(shù)，使用方式與上面類(lèi)似，這里就不再贅述了。

這些參數(shù)對(duì)線圖也同樣適用，并且參數(shù)之間可以任意組合。

1.3 特殊的線圖

上面繪制的線圖，橫坐標(biāo)x取值是唯一的，但實(shí)際中有些數(shù)據(jù)橫坐標(biāo)取值不唯一，用relplot()繪制出來(lái)是下面的效果。

fmri = sns.load_dataset('fmri', data_home='seaborn-data', cache=True)
sns.relplot(x='timepoint', y='signal', kind='line', data=fmri);

藍(lán)色實(shí)線是x的平均值，周?chē)年幱笆瞧骄档?95% 置信區(qū)間。

周?chē)幱翱梢酝ㄟ^(guò)ci參數(shù)設(shè)置，如：ci='sd'表示繪制標(biāo)準(zhǔn)差，而不是置信區(qū)間。

ci=None可以不顯示陰影。

設(shè)置estimator=None參數(shù)可以關(guān)閉聚合

sns.relplot(x='timepoint', y='signal', estimator=None, kind='line', data=fmri);

2. 數(shù)據(jù)分布圖

seaborn 提供 histplot()，kdeplot()，ecdfplot()和rugplot()函數(shù)，分別繪制直方圖、核密度估計(jì)圖、經(jīng)驗(yàn)累積分布圖和垂直刻度。

分布圖的通用函數(shù)是displot()，通過(guò)指定kind來(lái)繪制不同的圖：

• kind='hist'（默認(rèn)）等價(jià)于histplot()
• kind='kde'等價(jià)于kdeplot()
• kind='ecdf'等價(jià)于ecdfplot()

由于rugplot()只是用來(lái)標(biāo)識(shí)刻度，它不需要kind指定，而是通過(guò)rug=True或rug=False（默認(rèn)）來(lái)指定是否需要顯示在圖形中。

2.1 直方圖

直方圖是比較常見(jiàn)的數(shù)據(jù)分布圖，它的繪制也很簡(jiǎn)單。

seaborn 提供了binwidth、bins等參數(shù)設(shè)置直方圖 bin 的寬度和數(shù)量，從而繪制不同形狀的直方圖。

這里也可以設(shè)置hue參數(shù)，用不同顏色在一張圖里繪制不同類(lèi)別的直方圖。當(dāng)在一張圖里繪制多個(gè)直方圖時(shí)，需要設(shè)置element和multiple參數(shù)來(lái)指定多個(gè)直方圖的組合方式。

如：multiple='stack'代表堆疊顯示。

sns.displot(penguins, x='flipper_length_mm', hue='species', multiple='stack')

設(shè)置stat參數(shù)可以歸一化直方圖。如：設(shè)置stat='probability'可以使條形高度的和為1。

以下是直方圖常見(jiàn)的參數(shù)及取值

2.2 核密度估計(jì)圖

直方圖的目的是通過(guò)分箱和計(jì)數(shù)觀察來(lái)近似生成數(shù)據(jù)的潛在概率密度函數(shù)。核密度估計(jì) (KDE) 是為這一問(wèn)題提供了不同的解決方案。

sns.displot(penguins, x='flipper_length_mm', kind='kde')

seaborn 從0.11.0版本開(kāi)始只支持高斯核函數(shù)。

設(shè)置bw_adjust參數(shù)可以讓 KDE 圖更平滑。

設(shè)置kde=True而不是kind='kde'，可以同時(shí)繪制直方圖和 KDE 圖。

sns.displot(penguins, x='flipper_length_mm', kde=True)

2.3 經(jīng)驗(yàn)累積分布圖

經(jīng)驗(yàn)累積分布函數(shù)（ECDF） 通過(guò)每個(gè)數(shù)據(jù)點(diǎn)繪制了一條單調(diào)遞增的曲線，使得曲線的高度反映了具有較小值的觀測(cè)值的比例。

2.4 二元分布圖

之前繪制的都是單變量分布圖，seaborn 也可以繪制兩個(gè)變量的分布圖。

sns.displot(penguins, x='bill_length_mm', y='bill_depth_mm')

用平面圖來(lái)展示二元直方圖只能通過(guò)每個(gè)方塊的顏色深淺定性觀察數(shù)據(jù)的多少。

同樣的，也可以繪制二元核密度估計(jì)圖，畫(huà)出來(lái)的圖形是等高線。

設(shè)置fill=True，可以通過(guò)顏色定性觀察面的高度。

seaborn 還提供了 jointplot() 函數(shù)為二元變量同時(shí)繪制不同圖形。

sns.jointplot(data=penguins, x='bill_length_mm', y='bill_depth_mm')

jointplot()默認(rèn)繪制兩變量散點(diǎn)圖和單變量直方圖。

設(shè)置kind=kde來(lái)繪制 KDE 圖。

seanborn 還提供了pairplot()函數(shù)，為更多變量繪圖。

sns.pairplot(penguins)

默認(rèn)繪圖仍然是直方圖和散點(diǎn)圖。同樣可以設(shè)置kind=kde繪制多變量 KDE 圖。

3. 分類(lèi)圖

之前我們繪制的關(guān)系圖都是數(shù)值變量，當(dāng)數(shù)據(jù)中有類(lèi)別數(shù)據(jù)（離散值）時(shí)，就需要用分類(lèi)圖來(lái)繪制。

seaborn 提供 catplot() 函數(shù)來(lái)繪制分類(lèi)圖，有以下3種類(lèi)別

• 分類(lèi)散點(diǎn)圖

• kind='strip'（默認(rèn)） 等價(jià)于 stripplot()
• kind='swarm' 等價(jià)于 swarmplot()

• 分類(lèi)分布圖

• kind='box' 等價(jià)于 boxplot()
• kind='violin' 等價(jià)于 violinplot()
• kind='boxen' 等價(jià)于 boxenplot()

• 分類(lèi)估計(jì)圖

• kind='point' 等價(jià)于 pointplot()
• kind='bar' 等價(jià)于 barplot()
• kind='count' 等價(jià)于 countplot()

3.1 分類(lèi)散點(diǎn)圖

catplot()默認(rèn)使用stripplot()繪圖，它會(huì)用少量隨機(jī)'抖動(dòng)'調(diào)整分類(lèi)軸上的點(diǎn)位置，避免所有的點(diǎn)都重疊在一起。

設(shè)置jitter參數(shù)可以控制抖動(dòng)的幅度，當(dāng)jitter=False時(shí)，代表不抖動(dòng)，繪制出的圖形跟使用關(guān)系散點(diǎn)圖是一樣的。

sns.catplot(x='day', y='total_bill', jitter=False, data=tips)

等價(jià)于

可以看到，圖上的xy坐標(biāo)相同的數(shù)據(jù)重合在一起，非常不方便觀察。

雖然jitter可以設(shè)置“抖動(dòng)”，但也有可能造成數(shù)據(jù)重疊。而kind='swarm'可以繪制非重疊的分類(lèi)散點(diǎn)圖。

sns.catplot(x='day', y='total_bill', kind='swarm', data=tips)

3.2 分類(lèi)分布圖

kind='box' 可以繪制箱線圖。

kind='boxen' 可以繪制增強(qiáng)箱線圖。

diamonds = sns.load_dataset('diamonds', data_home='seaborn-data', cache=True)
sns.catplot(x='color', y='price', kind='boxen', data=diamonds.sort_values('color'))

kind='violin' 可以繪制小提琴圖。

3.3 分類(lèi)估計(jì)圖

kind='bar' 以矩形條的方式展示數(shù)據(jù)點(diǎn)估值(默認(rèn)取平均值)和置信區(qū)間,該置信區(qū)間使用誤差線繪制。

titanic = sns.load_dataset('titanic', data_home='seaborn-data', cache=True)
sns.catplot(x='sex', y='survived', hue='class', kind='bar', data=titanic)

矩形條的高度是survived列均值，上面的那根天線就是誤差線。

kind='count' 是常見(jiàn)的柱狀圖，統(tǒng)計(jì)x坐標(biāo)對(duì)應(yīng)的數(shù)據(jù)量。

kind='point' 繪制點(diǎn)圖，展示數(shù)據(jù)點(diǎn)的估計(jì)值（默認(rèn)平均值）和置信區(qū)間，并連接來(lái)自同一hue類(lèi)別的點(diǎn)。

sns.catplot(x='sex', y='survived', hue='class', kind='point', data=titanic)

4. 回歸圖

seaborn 提供線性回歸函數(shù)對(duì)數(shù)據(jù)擬合，包括regplot()和lmplot()，它倆大部分功能是一樣的，只是輸入的數(shù)據(jù)和輸出圖形稍有不同。

用lmplot()函數(shù)可以繪制兩個(gè)變量x、y的散點(diǎn)圖，擬合回歸模型并繪制回歸線和該回歸的 95% 置信區(qū)間。

設(shè)置order參數(shù)可以擬合多項(xiàng)式回歸模型

anscombe = sns.load_dataset('anscombe', data_home='seaborn-data', cache=True)
sns.lmplot(x='x', y='y', data=anscombe.query('dataset == 'II''), order=2);

設(shè)置logistic=True參數(shù)可以擬合邏輯回歸模型

5. 多圖網(wǎng)格

seaborn 提供了FacetGrid類(lèi)可以同時(shí)繪制多圖。

g = sns.FacetGrid(tips, row='sex', col='smoker')
g.map(sns.scatterplot, 'total_bill', 'tip')

實(shí)際上它等價(jià)于下面這段代碼

當(dāng)然用FaceGrid的好處是可以像 matplotlib 那樣設(shè)置很多圖形屬性。

g = sns.FacetGrid(tips, row='sex', col='smoker')
g.map(sns.scatterplot, 'total_bill', 'tip')
g.set_axis_labels('Total bill', 'Tip')
g.set(xticks=[10, 30, 50], yticks=[2, 6, 10])
g.figure.subplots_adjust(wspace=.02, hspace=.02)

另外，seaborn 還提供了PairGrid，可以為多變量同時(shí)繪圖，且圖形種類(lèi)可以不同。

上圖中，對(duì)角線以及對(duì)角線下方是 KDE 圖，對(duì)角線上方是散點(diǎn)圖。

6. 樣式和調(diào)色板

這部分主要是對(duì)圖表外觀的設(shè)置，感興趣的朋友可以自行嘗試。