Python?seaborn數據可視化繪圖(直方圖,密度圖,散點圖)

目錄

• 前言
• 一、直方圖distplot()
• 二、密度圖
• 1.單個樣本數據分布密度圖 
• 2.兩個樣本數據分布密度圖
• 三、散點圖
• 1.jointplot()綜合散點圖
• 2.拆分綜合散點圖JointGrid() 
• 3.pairplot()矩陣散點圖
• 4.拆分綜合散點圖JointGrid() 

前言

系統自帶得數據表格，使用時通過sns.load_dataset('表名稱')即可，結果為一個DataFrame。

print(sns.get_dataset_names())   #獲取所有數據表名稱# ['anscombe', 'attention', 'brain_networks', 'car_crashes', 'diamonds', 'dots', 'exercise', 'flights', # 'fmri', 'gammas', 'iris', 'mpg', 'planets', 'tips', 'titanic']tips = sns.load_dataset('tips')  #導入小費tips數據表，返回一個DataFrametips.head()

一、直方圖distplot()

distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None,hist_kws=None, kde_kws=None, rug_kws=None,fit_kws=None,color=None, vertical=False,?norm_hist=False, axlabel=None,label=None, ax=None)

• a 數據源
• bins 箱數
• hist、kde、rug 是否顯示箱數、密度曲線、數據分布，默認顯示箱數和密度曲線不顯示數據分析
• {hist,kde,rug}_kws 通過字典形式設置箱數、密度曲線、數據分布得各個特征
• norm_hist 直方圖得高度是否顯示密度，默認顯示計數,如果kde設置為True高度也會顯示為密度
• color 顏色
• vertical 是否在y軸上顯示圖標，默認為False即在x軸顯示，即豎直顯示
• axlabel 坐標軸標簽
• label 直方圖標簽

fig = plt.figure(figsize=(12,5))ax1 = plt.subplot(121)rs = np.random.RandomState(10)  # 設定隨機數種子s = pd.Series(rs.randn(100) * 100)sns.distplot(s,bins = 10,hist = True,kde = True,rug = True,norm_hist=False,color = 'y',label = 'distplot',axlabel = 'x')plt.legend()ax1 = plt.subplot(122)sns.distplot(s,rug = True,              hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"},  # 設置箱子得風格、線寬、透明度、顏色,風格包括：'bar', 'barstacked', 'step', 'stepfilled'             kde_kws={"color": "r", "linewidth": 1, "label": "KDE",'linestyle':'--'},   # 設置密度曲線顏色，線寬，標注、線形             rug_kws = {'color':'r'} )  # 設置數據頻率分布顏色

二、密度圖

#密度曲線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)

• shade 是否填充與坐標軸之間得
• bw 取值'scott' 、'silverman'或一個數值標量，控制擬合得程度，類似直方圖得箱數，設置得數量越大越平滑，越小越容易過度擬合
• shade_lowest 主要是對兩個變量分析時起作用，是否顯示最外側填充顏色，默認顯示
• cbar 是否顯示顏色圖例
• n_levels 主要對兩個變量分析起作用，數據線得個數

數據分布rugplot(a, height=.05, axis="x", ax=None, **kwargs)

• height 分布線高度
• axis {'x','y'}，在x軸還是y軸顯示數據分布

1.單個樣本數據分布密度圖 

sns.kdeplot(s,shade = False, color = 'r',vertical = False)# 是否填充、設置顏色、是否水平sns.kdeplot(s,bw=0.2, label="bw: 0.2",linestyle = '-',linewidth = 1.2,alpha = 0.5)sns.kdeplot(s,bw=2, label="bw: 2",linestyle = '-',linewidth = 1.2,alpha = 0.5,shade=True)sns.rugplot(s,height = 0.1,color = 'k',alpha = 0.5)  #數據分布

2.兩個樣本數據分布密度圖

兩個維度數據生成曲線密度圖，以顏色作為密度衰減顯示。

rs = np.random.RandomState(2)  # 設定隨機數種子df = pd.DataFrame(rs.randn(100,2),columns = ['A','B'])sns.kdeplot(df['A'],df['B'],shade = True,cbar = True,cmap = 'Reds',shade_lowest=True, n_levels = 8)# 曲線個數（如果非常多，則會越平滑） plt.grid(linestyle = '--')plt.scatter(df['A'], df['B'], s=5, alpha = 0.5, color = 'k') #散點sns.rugplot(df['A'], color="g", axis='x',alpha = 0.5) #x軸數據分布sns.rugplot(df['B'], color="r", axis='y',alpha = 0.5) #y軸數據分布

rs1 = np.random.RandomState(2)rs2 = np.random.RandomState(5)df1 = pd.DataFrame(rs1.randn(100,2)+2,columns = ['A','B'])df2 = pd.DataFrame(rs2.randn(100,2)-2,columns = ['A','B'])sns.set_style('darkgrid')sns.set_context('talk')sns.kdeplot(df1['A'],df1['B'],cmap = 'Greens',shade = True,shade_lowest=False)sns.kdeplot(df2['A'],df2['B'],cmap = 'Blues', shade = True,shade_lowest=False)

三、散點圖

jointplot() / JointGrid() / pairplot() /pairgrid()

1.jointplot()綜合散點圖

rs = np.random.RandomState(2)df = pd.DataFrame(rs.randn(200,2),columns = ['A','B'])sns.jointplot(x=df['A'], y=df['B'],  # 設置x軸和y軸，顯示columns名稱              data=df,   # 設置數據              color = 'k',   # 設置顏色              s = 50, edgecolor="w",linewidth=1,  # 設置散點大小、邊緣線顏色及寬度(只針對scatter）              kind = 'scatter',   # 設置類型：“scatter”、“reg”、“resid”、“kde”、“hex”              space = 0.1,  # 設置散點圖和上方、右側直方圖圖得間距              size = 6,   # 圖表大小（自動調整為正方形）              ratio = 3,  # 散點圖與直方圖高度比，整型              marginal_kws=dict(bins=15, rug=True,color='green')  # 設置直方圖箱數以及是否顯示rug              )

當kind分別設置為其他4種“reg”、“resid”、“kde”、“hex”時，圖表如下:

sns.jointplot(x=df['A'], y=df['B'],data=df,kind='reg',size=5)  #sns.jointplot(x=df['A'], y=df['B'],data=df,kind='resid',size=5) #sns.jointplot(x=df['A'], y=df['B'],data=df,kind='kde',size=5) #sns.jointplot(x=df['A'], y=df['B'],data=df,kind='hex',size=5) #蜂窩圖

在密度圖中添加散點圖，先通過sns.jointplot()創建密度圖并賦值給變量，再通過變量.plot_joint()在密度圖中添加散點圖。

rs = np.random.RandomState(15)df = pd.DataFrame(rs.randn(300,2),columns = ['A','B'])g = sns.jointplot(x=df['A'], y=df['B'],data = df, kind="kde", color="pink",shade_lowest=False) #密度圖，并賦值給一個變量g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+")  #在密度圖中添加散點圖

2.拆分綜合散點圖JointGrid() 

上述綜合散點圖可分為上、右、中間三部分，設置屬性時對這三個參數都生效，JointGrid()可將這三部分拆開分別設置屬性。

①拆分為中間+上&右 兩部分設置

# plot_joint() + plot_marginals()g = sns.JointGrid(x="total_bill", y="tip", data=tips)# 創建一個繪圖區域，并設置好x、y對應數據g = g.plot_joint(plt.scatter,color="g", s=40, edgecolor="white")   # 中間區域通過g.plot_joint繪制散點圖plt.grid('--')g.plot_marginals(sns.distplot, kde=True, color="y")     #h = sns.JointGrid(x="total_bill", y="tip", data=tips)# 創建一個繪圖區域，并設置好x、y對應數據h = h.plot_joint(sns.kdeplot,cmap = 'Reds_r')   # 中間區域通過g.plot_joint繪制散點圖plt.grid('--')h.plot_marginals(sns.kdeplot, color="b")

②拆分為中間+上+右三個部分分別設置

# plot_joint() + ax_marg_x.hist() + ax_marg_y.hist()sns.set_style("white")# 設置風格tips = sns.load_dataset("tips") # 導入系統得小費數據print(tips.head())g = sns.JointGrid(x="total_bill", y="tip", data=tips)# 創建繪圖區域，設置好x、y對應數據g.plot_joint(plt.scatter, color ='y', edgecolor = 'white')  # 設置內部散點圖scatterg.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6,bins=np.arange(0, 60, 3))  # 設置x軸直方圖，注意bins是數組g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6, orientation="horizontal", bins=np.arange(0, 12, 1)) # 設置y軸直方圖，需要orientation參數from scipy import statsg.annotate(stats.pearsonr)  # 設置標注，可以為pearsonr，spearmanrplt.grid(linestyle = '--')

3.pairplot()矩陣散點圖

矩陣散點圖類似pandas得pd.plotting.scatter_matrix(...)，將數據從多個維度進行兩兩對比。

對角線默認顯示密度圖，非對角線默認顯示散點圖。

sns.set_style("white")iris = sns.load_dataset("iris")print(iris.head())sns.pairplot(iris,            kind = 'scatter',  # 散點圖/回歸分布圖 {‘scatter', ‘reg'}            diag_kind="hist",  # 對角線處直方圖/密度圖 {‘hist', ‘kde'}            hue="species",   # 按照某一字段進行分類            palette="husl",  # 設置調色板            markers=["o", "s", "D"],  # 設置不同系列得點樣式（個數與hue分類得個數一致）            height = 1.5,   # 圖表大小            )

對原數據得局部變量進行分析，可添加參數vars

sns.pairplot(iris,vars=["sepal_width", "sepal_length"], kind = 'reg', diag_kind="kde", hue="species", palette="husl")

plot_kws()和diag_kws()可分別設置對角線和非對角線得顯示:

sns.pairplot(iris, vars=["sepal_length", "petal_length"],diag_kind="kde", markers="+",             plot_kws=dict(s=50, edgecolor="b", linewidth=1),# 設置非對角線點樣式             diag_kws=dict(shade=True,color='r',linewidth=1)# 設置對角線密度圖樣式            )

4.拆分綜合散點圖JointGrid() 

類似JointGrid()得功能，將矩陣散點圖拆分為對角線和非對角線圖表分別設置顯示屬性。

①拆分為對角線和非對角線

# map_diag() + map_offdiag()g = sns.PairGrid(iris,hue="species",palette = 'hls',vars=["sepal_width", "sepal_length"])g.map_diag(plt.hist, # 對角線圖表，plt.hist/sns.kdeplot           histtype = 'barstacked',   # 可選：'bar', 'barstacked', 'step', 'stepfilled'           linewidth = 1, edgecolor = 'gray')g.map_offdiag(plt.scatter, # f非對角線其他圖表，plt.scatter/plt.bar...              edgecolor="yellow", s=20, linewidth = 1,   # 設置點顏色、大小、描邊寬度)

②拆分為對角線+對角線上+對角線下 3部分設置

# map_diag() + map_lower() + map_upper()g = sns.PairGrid(iris)g.map_diag(sns.kdeplot, lw=1.5,color='y',alpha=0.5)   # 設置對角線圖表g.map_upper(plt.scatter, color = 'r',s=8)     # 設置對角線上端圖表顯示為散點圖g.map_lower(sns.kdeplot,cmap='Blues_r') # 設置對角線下端圖表顯示為多密度分布圖

到此這篇關于Python seaborn數據可視化繪圖(直方圖,密度圖,散點圖)得內容就介紹到這了,更多相關Python seaborn 繪圖內容請搜索之家以前得內容或繼續瀏覽下面得相關內容希望大家以后多多支持之家！