Python数据可视化之Seaborn的使用详解
1. 安装 seaborn
安装：
pip install seaborn
导入：
import seaborn as sns
2.准备数据
正式开始之前我们先用如下代码准备一组数据，方便展示使用。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
pd.set_option('display.unicode.east_asian_width', True)
df1 = pd.DataFrame(
{'数据序号': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
'厂商编号': ['001', '001', '001', '002', '002', '002', '003', '003', '003', '004', '004', '004'],
'产品类型': ['AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC'],
'A属性值': [40, 70, 60, 75, 90, 82, 73, 99, 125, 105, 137, 120],
'B属性值': [24, 36, 52, 32, 49, 68, 77, 90, 74, 88, 98, 99],
'C属性值': [30, 36, 55, 46, 68, 77, 72, 89, 99, 90, 115, 101]
}
)
print(df1)
生成一组数据如下：
3.背景与边框
3.1 设置背景风格
设置风格使用的是sns.set_style()方法，且这里内置的风格，是用背景色表示名字的，但是实际内容不限于背景色。
sns.set_style()
可以选择的背景风格有：
- whitegrid 白色网格
- dark 灰色背景
- white 白色背景
- ticks 四周带刻度线的白色背景
sns.set()
sns.set_style(“darkgrid”)
sns.set_style(“whitegrid”)
sns.set_style(“dark”)
sns.set_style(“white”)
sns.set_style(“ticks”)
其中sns.set()表示使用自定义样式，如果没有传入参数，则默认表示灰色网格背景风格。如果没有set()也没有set_style()，则为白色背景。
一个可能的bug：使用relplot()方法绘制出的图像，"ticks"样式无效。
3.2 其他
seaborn库是基于matplotlib库而封装的，其封装好的风格可以更加方便我们的绘图工作。而matplotlib库常用的语句，在使用seaborn库时也依然有效。
关于设置其他风格相关的属性，如字体，这里有一个细节需要注意的是，这些代码必须写在sns.set_style()的后方才有效。如将字体设置为黑体（避免中文乱码）的代码：
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
如果在其后方设置风格，则设置好的字体会设置的风格覆盖，从而产生警告。其他属性也同理。
3.3 边框控制
sns.despine()方法
# 移除顶部和右部边框，只保留左边框和下边框 sns.despine() # 使两个坐标轴相隔一段距离（以10长度为例） sns.despine(offet=10,trim=True) # 移除左边框 sns.despine(left=True) # 移除指定边框 （以只保留底部边框为例） sns.despine(fig=None, ax=None, top=True, right=True, left=True, bottom=False, offset=None, trim=False)
4. 绘制 散点图
使用seaborn库 绘制散点图，可以使用replot()方法，也可以使用scatter()方法。
replot方法的参数kind默认是’scatter’，表示绘制散点图。
hue参数表示 在该一维度上，用颜色区分
①对A属性值和数据序号绘制散点图，红色散点，灰色网格，保留左、下边框
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘SimHei'] sns.relplot(x=‘数据序号', y=‘A属性值', data=df1, color=‘red') plt.show()
②对A属性值和数据序号绘制散点图，散点根据产品类型的不同显示不同的颜色，
白色网格，左、下边框：
sns.set_style(‘whitegrid') plt.rcParams[‘font.sans-serif'] = [‘SimHei'] sns.relplot(x=‘数据序号', y=‘A属性值', hue=‘产品类型', data=df1) plt.show()
③将A属性、B属性、C属性三个字段的值用不同的样式绘制在同一张图上（绘制散点图），x轴数据是[0,2,4,6,8…]
ticks风格（四个方向的框线都要），字体使用楷体
sns.set_style(‘ticks') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] df2 = df1.copy() df2.index = list(range(0, len(df2)*2, 2)) dfs = [df2[‘A属性值'], df2[‘B属性值'], df2[‘C属性值']] sns.scatterplot(data=dfs) plt.show()
5. 绘制 折线图
使用seaborn库绘制折线图， 可以使用replot()方法，也可以使用lineplot()方法。
5.1 使用 replot()方法
sns.replot()默认绘制的是散点图，绘制折线图只需吧参数kind改为"line"。
①需求：绘制A属性值与数据序号的折线图，
灰色网格，全局字体为楷体；并调整标题、两轴标签 的字体大小，
以及坐标系与画布边缘的距离（设置该距离是因为字体没有显示完全）：
sns.set(rc={‘font.sans-serif': “STKAITI”})
sns.relplot(x=‘数据序号', y=‘A属性值', data=df1, color=‘purple', kind=‘line')
plt.title(“绘制折线图”, fontsize=18)
plt.xlabel(‘num', fontsize=18)
plt.ylabel(‘A属性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()
②需求：绘制不同产品类型的A属性折线（三条线一张图），whitegrid风格，字体楷体。
sns.set_style(“whitegrid”) plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.relplot(x=‘数据序号', y=‘A属性值', hue=‘产品类型', data=df1, kind=‘line') plt.title(“绘制折线图”, fontsize=18) plt.xlabel(‘num', fontsize=18) plt.ylabel(‘A属性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
③需求：将A属性、B属性、C属性三个字段的值用不同的样式绘制在同一张图上（绘制折线图），x轴数据是[0,2,4,6,8…]
darkgrid风格（四个方向的框线都要），字体使用楷体，并加入x轴标签，y轴标签和标题。边缘距离合适。
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] df2 = df1.copy() df2.index = list(range(0, len(df2)*2, 2)) dfs = [df2[‘A属性值'], df2[‘B属性值'], df2[‘C属性值']] sns.relplot(data=dfs, kind=“line”) plt.title(“绘制折线图”, fontsize=18) plt.xlabel(‘num', fontsize=18) plt.ylabel(‘A属性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
③多重子图
横向多重子图 col
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.relplot(data=df1, x=“A属性值”, y=“B属性值”, kind=“line”, col=“厂商编号”) plt.subplots_adjust(left=0.05, right=0.95, bottom=0.1, top=0.9) plt.show()
纵向多重子图 row
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.relplot(data=df1, x=“A属性值”, y=“B属性值”, kind=“line”, row=“厂商编号”) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.95) plt.show()
5.2 使用 lineplot()方法
使用lineplot()方法绘制折线图，其他细节基本同上，示例代码如下：
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.lineplot(x=‘数据序号', y=‘A属性值', data=df1, color=‘purple') plt.title(“绘制折线图”, fontsize=18) plt.xlabel(‘num', fontsize=18) plt.ylabel(‘A属性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] df2 = df1.copy() df2.index = list(range(0, len(df2)*2, 2)) dfs = [df2[‘A属性值'], df2[‘B属性值'], df2[‘C属性值']] sns.lineplot(data=dfs) plt.title(“绘制折线图”, fontsize=18) plt.xlabel(‘num', fontsize=18) plt.ylabel(‘A属性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
6. 绘制直方图 displot()
绘制直方图使用的是sns.displot()方法
- bins=6 表示 分成六个区间绘图
- rug=True 表示在x轴上显示观测的小细条
- kde=True表示显示核密度曲线
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.displot(data=df1[[‘C属性值']], bins=6, rug=True, kde=True) plt.title(“直方图”, fontsize=18) plt.xlabel(‘C属性值', fontsize=18) plt.ylabel(‘数量', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
随机生成300个正态分布数据，并绘制直方图，显示核密度曲线
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] np.random.seed(13) Y = np.random.randn(300) sns.displot(Y, bins=9, rug=True, kde=True) plt.title(“直方图”, fontsize=18) plt.xlabel(‘C属性值', fontsize=18) plt.ylabel(‘数量', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
7. 绘制条形图 barplot()
绘制条形图使用的是barplot()方法
以产品类型 字段数据作为x轴数据，A属性值数据作为y轴数据。按照厂商编号字段的不同进行分类。
具体如下：
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.barplot(x=“产品类型”, y=‘A属性值', hue=“厂商编号”, data=df1) plt.title(“条形图”, fontsize=18) plt.xlabel(‘产品类型', fontsize=18) plt.ylabel(‘数量', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9) plt.show()
8. 绘制线性回归模型
绘制线性回归模型使用的是lmplot()方法。
主要的参数为x, y, data。分别表示x轴数据、y轴数据和数据集数据。
除此之外，同上述所讲，还可以通过hue指定分类的变量；
通过col指定列分类变量，以绘制 横向多重子图；
通过row指定行分类变量，以绘制 纵向多重子图；
通过col_wrap控制每行子图的数量；
通过size可以控制子图的高度；
通过markers可以控制点的形状。
下边对 X属性值 和 Y属性值 做线性回归，代码如下：
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.lmplot(x=“A属性值”, y=‘B属性值', data=df1) plt.title(“线性回归模型”, fontsize=18) plt.xlabel(‘A属性值', fontsize=18) plt.ylabel(‘B属性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9) plt.show()
9. 绘制 核密度图 kdeplot()
9.1 一般核密度图
绘制和密度图，可以让我们更直观地看出样本数据的分布特征。绘制核密度图使用的方法是kdeplot()方法。
对A属性值和B属性值绘制核密度图，
将shade设置为True可以显示包围的阴影，否则只有线条。
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.kdeplot(df1[“A属性值”], shade=True, data=df1, color=‘r') sns.kdeplot(df1[“B属性值”], shade=True, data=df1, color=‘g') plt.title(“核密度图”, fontsize=18) plt.xlabel(‘Value', fontsize=18) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9) plt.show()
9.2 边际核密度图
绘制边际核密度图时使用的是sns.jointplot()方法。参数kind应为"kde"。使用该方法时，默认使用的是dark样式。且不建议手动添加其他样式，否则可能使图像无法正常显示。
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.jointplot(x=df1[“A属性值”], y=df1[“B属性值”], kind=“kde”, space=0) plt.show()
10. 绘制 箱线图 boxplot()
绘制箱线图使用到的是boxplot()方法。
基本的参数有x, y, data。
除此之外 还可以有
hue 表示分类字段
width 可以调节箱体的宽度
notch 表示中间箱体是否显示缺口，默认False不显示。
鉴于前边的数据数据量不太够不便展示，这里再生成一组数据：
np.random.seed(13)
Y = np.random.randint(20, 150, 360)
df2 = pd.DataFrame(
{‘厂商编号': [‘001', ‘001', ‘001', ‘002', ‘002', ‘002', ‘003', ‘003', ‘003', ‘004', ‘004', ‘004'] * 30,
‘产品类型': [‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC'] * 30,
‘XXX属性值': Y
}
)生成好后，开始绘制箱线图：
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.boxplot(x=‘产品类型', y=‘XXX属性值', data=df2) plt.show()
交换x、y轴数据后：
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.boxplot(y=‘产品类型', x=‘XXX属性值', data=df2) plt.show()
可以看到箱线图的方向也随之改变
将厂商编号作为分类字段：
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.boxplot(x=‘产品类型', y=‘XXX属性值', data=df2, hue=“厂商编号”) plt.show()
11. 绘制 提琴图 violinplot()
提琴图结合了箱线图和核密度图的特征，用于展示数据的分布形状。
使用violinplot()方法绘制提琴图。
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.violinplot(x=‘产品类型', y=‘XXX属性值', data=df2) plt.show()
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.violinplot(x=‘XXX属性值', y=‘产品类型', data=df2) plt.show()
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.violinplot(x=‘产品类型', y=‘XXX属性值', data=df2, hue=“厂商编号”) plt.show()
12. 绘制 热力图 heatmap()
以双色球中奖号码数据为例绘制热力图，这里数据采用随机数生成。
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()
plt.figure(figsize=(6,6))
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
s1 = np.random.randint(0, 200, 33)
s2 = np.random.randint(0, 200, 33)
s3 = np.random.randint(0, 200, 33)
s4 = np.random.randint(0, 200, 33)
s5 = np.random.randint(0, 200, 33)
s6 = np.random.randint(0, 200, 33)
s7 = np.random.randint(0, 200, 33)
data = pd.DataFrame(
{‘一': s1,
‘二': s2,
‘三': s3,
‘四':s4,
‘五':s5,
‘六':s6,
‘七':s7
}
)
plt.title(‘双色球热力图')
sns.heatmap(data, annot=True, fmt=‘d', lw=0.5)
plt.xlabel(‘中奖号码位数')
plt.ylabel(‘双色球数字')
x = [‘第1位', ‘第2位', ‘第3位', ‘第4位', ‘第5位', ‘第6位', ‘第7位']
plt.xticks(range(0, 7, 1), x, ha=‘left')
plt.show()
到此这篇关于Python数据可视化之Seaborn的使用详解的文章就介绍到这了,更多相关Python Seaborn内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要介绍了如何使用python操作vmware,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-07-07
这篇文章主要介绍了Python实现matplotlib显示中文的方法,结合实例形式详细总结分析了Python使用matplotlib库绘图时显示中文的相关操作技巧与注意事项,需要的朋友可以参考下2021-08-08
Python进阶之路我觉得有两个东西一定要了解,一个是魔法函数,下面这篇文章主要给大家介绍了关于Python中最神秘的一个魔法函数的相关资料,文中通过实例代码介绍的非常详细,需要的朋友可以参考下2021-12-12
这篇文章主要介绍了Django Form设置文本框为readonly操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-07-07
Python基于matplotlib画箱体图检验异常值操作示例【附xls数据文件下载】
这篇文章主要介绍了Python基于matplotlib画箱体图检验异常值操作,涉及Python针对xls格式数据文件的读取、matplotlib图形绘制等相关操作技巧,并附带xls数据文件供读者下载参考,需要的朋友可以参考下2019-01-01
今天小编就为大家分享一篇对python3 sort sorted 函数的应用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-06-06
这篇文章主要介绍了python实现H2O中的随机森林算法介绍及其项目实战，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-08-08
python的if语句和其他语言有些不同，它没有用括号来表示代码块，而是使用缩进，现在乍听一下你可能不太明白，所以下面这篇文章主要给大家介绍了关于Python学习笔记之if语句使用的相关资料，需要的朋友可以参考下。2017-10-10
python循环神经网络RNN函数tf.nn.dynamic_rnn使用
这篇文章主要为大家介绍了python循环神经网络RNN的tf.nn.dynamic_rnn使用示例，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2022-05-05
这篇文章主要为大家详细介绍了Python数据结构与算法之链表,使用数据库，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助2022-03-03
最新评论