1. Matplotlib的API过于复杂。
  2. Seaborn 基于Matplotlib核心库进行了更高级的API封装，可以轻松的画出更复杂的图形。

安装

1# 安装
2pip install seaborn
3
4# 导入
5import seaborn as sns

使用

  1. 绘制单变量：distplot()
  2. 绘制双变量：jointplot()
  3. 绘制成对的双变量：pairplot()

单变量分布

直方图

1seaborn.distplot(a=None, bins=None, hist=True, kde=True, rug=False, fit=None,
2             hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None,
3             color=None, vertical=False, norm_hist=False, axlabel=None,
4             label=None, ax=None, x=None):
  1. a：观察的数据
  2. bins：用于控制条形的数量
  3. hist：接受布尔类型，表示是否绘制值（标注）直方图
  4. kde：表示是否绘制高斯核密度估计曲线
  5. rug：表示是否在支持的轴上绘制rugplot

核密度估计：在概率论中用来估计位置的密度函数，属于非参数检验方法之一，可以比较直观的人看出数据样本本身的分布特征

1import seaborn as sns
2import numpy as np
3
4np.random.seed(0)
5arr = np.random.randn(100)
6ax = sns.distplot(arr, bins=10, hist=True, kde=True, rug=True)

image-20230127213624843

双变量分布

散点图

1seborn.jointplot(
2    data=None, *, x=None, y=None, hue=None, kind="scatter",
3    height=6, ratio=5, space=.2, dropna=False, xlim=None, ylim=None,
4    color=None, palette=None, hue_order=None, hue_norm=None, marginal_ticks=False,
5    joint_kws=None, marginal_kws=None,
6    **kwargs
7)

参数说明：

  1. kind：表示绘制图形的类型
  2. stat_func：用于计算有关关系的统计量并标注图
  3. color：表示绘图元素颜色
  4. size：用于设置图的大小
  5. ratio：表示中心图与侧边图的比例，该参数的值越大，则中心图的占比会越大
  6. space：用于设置中心图与侧边图的间隔大小
1import pandas as pd
2
3df = pd.DataFrame({"x": np.random.randn(500), "y": np.random.randn(500)})
4# df.head()
5
6sns.jointplot(x="x", y="y", data=df, kind="hex")

image-20230127213737285

二维直方图

将kind设置为hex

image-20230127213810863

核密度估计图形

将kind设置为kde

image-20230127214105503

成对的双变量分布

要想从数据集中绘制出成对的双变量分布，可以使用pairplot()函数实现，该函数会创建一个坐标轴矩阵，并且对现实Dataframe

对象中的美队变量的关系。另外，pairplot()函数也可以绘制每个变量在对角轴上的单变量分布

1# 加载seaborn中内置的数据集
2dataset = sns.load_dataset("iris")
3dataset.head()

image-20230127214702336

1# 绘制多个成对的双变量分布
2sns.pairplot(dataset)

image-20230127215453690

可以看出变量和变量之间的关系，比如说从倒数第二张图中可以看出petal_width和petal_length可能存在某种线性关系。

分类数据绘图

数据集中的数据有很多中，除了连续型数据，最常见的就是类别型数据了，如：人的性别、学历、爱好等。

SeaBorn针对这些数据提供了一下几个函数：

  1. 分类数据三点图：swarmplot()、stripplot()
  2. 类数据的分布图：boxplot()、violinplot()
  3. 分类数据的统计估算图：barplot()、pointplot()

类散点图

  1. 通过stripplot()函数绘制
1def stripplot(
2    data=None, *, x=None, y=None, hue=None, order=None, hue_order=None,
3    jitter=True, dodge=False, orient=None, color=None, palette=None,
4    size=5, edgecolor="gray", linewidth=0,
5    hue_norm=None, native_scale=False, formatter=None, legend="auto",
6    ax=None, **kwargs
7):
  • x，y，hue：用于绘制长格式数据的输入
  • data：用于绘制的数据集。如果x和y不存在，则它将作为宽格式，负责将作为长格式
  • jitter：表示抖动的程度（仅仅沿着类别轴），当很多数据重叠的时候，可以指定抖动的数量或者设置为Tue使用默认值
  1. 通过swarmplot()绘制，该函数绘制的所有数据点都不会重叠
1import seaborn as sns
2
3# 导入内置数据集
4data = sns.load_dataset("tips")
5data.head()

image-20230201191327699

1sns.stripplot(x="day", y="total_bill", data=data)

image-20230201192648027

1# 设置hue
2sns.stripplot(x="day", y="total_bill", data=data, hue="time")

image-20230201192909908

使用swarmplot()函数绘制：

1sns.swarmplot(x="day", y="total_bill", data=data, hue="time")

image-20230201193404580

箱型图

又称为盒须图、盒式图、箱线图。能显示出一组数据的最大值、最小值、中位数、以及上下四分位数

image-20230201194446312

可以使用boxplot()函数来绘制箱型图

1def boxplot(
2    data=None, *, x=None, y=None, hue=None, order=None, hue_order=None,
3    orient=None, color=None, palette=None, saturation=.75, width=.8,
4    dodge=True, fliersize=5, linewidth=None, whis=1.5, ax=None,
5    **kwargs
6):
  • palette：用于设置不同级别色相的颜色变量。如：palette=["r", "g", "b", "y"]
  • saturation：用于设置数据显示的颜色饱和度。使用小数表示

小提琴图

用于显示数据分布以及概率密度。

image-20230201194559033

— END —