python显示界片_Python可视化数据seaborn

可以看链接&＃xff1a;https://blog.csdn.net/unixtch/article/details/78820654

1、import seaborn as sns

2、seaborn的主题风格(5种)&＃xff1a;如黑底、白底、要格子、不要格子等。sns.set_style("dark")

(1)sns.set()&＃xff1a;想使用seaborn默认样式可以采用set函数&＃xff0c;

(2)seaborn预先定义了5中主题样式&＃xff0c;以适合不同场景需要&＃xff0c;分别是&＃xff1a;darkgrid, whitegrid, dark, white, 和ticks&＃xff0c;默认是darkgrid。

(3)sns.despine(left&＃61;True)&＃xff1a;默认值将上面和右边的轴去掉。然后left的轴也被隐藏起来了

sns.despine(offset&＃61;10)&＃xff1a;将图与轴之间距离设置10&＃xff0c;即从10距离处才画图

(4)想要多个子图不同风格可以用  with sns.axes_style

plt.subplot(211)的风格为darkgrid&＃xff0c;plt.subplot((212)不一样

with sns.axes_style(&＃39;darkgrid&＃39;):

plt.subplot(211)

plt.plot(x,y)

plt.show()

plt.subplot((212)

plt.plot(x,y)

plt.show()

3、seaborn的图样式(4种)&＃xff1a;sns.set_context("paper")

seaborn预定义了4种图表的样式定义&＃xff0c;分别是&＃xff1a;paper(小)、talk(大)、poster(较大)、notebook(更大)&＃xff0c;默认是notebook

(1)sns.set_context("notebook",font_scale&＃61;1.5,rc&＃61;{"lines.linewidth":2.5})

轴的字体大小设置为1.5&＃xff0c;线的宽度为2.5

4、调色板

(1)color_palette()能传入任何Matplotlib所支持的颜色&＃xff0c;不写参数则默认颜色

(2)set_palette()&＃xff0c;设置所有图的颜色。

(3)使用xkcd设置颜色命名&＃xff1a;sns.skcd_rgb[&＃39;名字&＃39;]

5、分布图&＃xff1a;

(1)绘制单变量的数据分布图&＃xff1a;distplot()

①数据分布情况&＃xff1a;sns.distlpot(x,kde&＃61;False,fit&＃61;stats.gamma)【fit参数使用了gamma分布拟合】

(2)散点图&＃xff1a;sns.jointplot(x&＃61;&＃39;x标签名字&＃39;,y&＃61;&＃39;y标签名字&＃39;,data&＃61;df))【该函数可以把两个变量之间的散点图关系画出来&＃xff0c;还会把自身的柱状图画出来】

(3)六边图&＃xff1a;sns.jointplot(kind&＃61;"hex")&＃xff1a;该图可以看出数据量分布情况&＃xff0c;常用在数据量较大的情况&＃xff0c;颜色越深表示数据量多。

(4)回归分析图&＃xff1a;变量之间两两分析   sns.pairplot(数据名)

柱状图为变量自身的分析&＃xff0c;散点图为两两之间的。

replot()和Implot()都可以绘制回归关系&＃xff0c;推荐使用replot()

sns.regplot(x&＃61;"size", y&＃61;"tip", data&＃61;tips, x_jitter&＃61;.05)&＃xff1a;x_jitter&＃61;.05将离散点(分类值)进行一个小范围的波动&＃xff0c;更利于画回归图。

(5)多变量分析图&＃xff1a;stripplot(x&＃61;&＃39; &＃39;,y&＃61;&＃39; &＃39;,data &＃61;df)

重叠解决办法&＃xff1a;加上jitter&＃61;True&＃xff0c;将数据偏一下&＃xff0c;易于观察。

swarmplot

与stripplot类似&＃xff0c;只是数据点不会重叠 (适合小数据量)

(6)盒图&＃xff1a;找离群点&＃xff1a;sns.boxplot()

(7)小提琴图&＃xff1a;violinplot()用于显示数据分布及其概率密度。

中间的黑色粗条表示四分位数范围&＃xff0c;从其延伸的幼细黑线代表 95% 置信区间&＃xff0c;而白点则为中位数。

(8)柱状图&＃xff1a;sns.barplot(x,y,hue,data)

countplot 计数图

countplot 故名思意&＃xff0c;计数图&＃xff0c;可将它认为一种应用到分类变量的直方图&＃xff0c;也可认为它是用以比较类别间计数差&＃xff0c;调用 count 函数的 barplot。

(9)点图&＃xff1a;pointplot()点图可以更好的描述变化差异。

(10)多层面板分类图&＃xff1a;factorplot()   可以通过这个函数绘制以上几种图

(11)热度图&＃xff1a;heatmap()&＃xff1a;显示数据趋势&＃xff0c;常用的方式是&＃xff1a;画出特征与特征之间的相关系数&＃xff0c;然后放入heatmap中画出趋势观察。

heatmap(annot&＃61;True,fmt&＃61;&＃39;d&＃39;)annot参数是在颜色重显示数据&＃xff0c;fmt是数据显示的格式&＃xff0c;一般添加上。有很多参数&＃xff0c;可以参考notebook文档。