Seaborn Tutorial
Introduction
在數據分析中，畫圖極為重要。在分析過程中以及最后的分析結果中都需要利用直觀的圖表去分析，展示數據特點，以便挖掘出有價值的信息。
因為我是用Python分析數據，那么matplotlib必不可少，然而自己太懶，matplotlib細節太多，一時沒法完全掌握。Seaborn看起來是個不錯的選擇，它基於matplotlib，
但是做了更高層次的封裝，學起來會簡單很多，所以我把它當做繪圖入門的工具。
我打算做一個Seaborn文檔的筆記，然后再附一兩篇實際應用的案例來完成我的Seaborn入門之旅。
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
plt.style.use({'figure.figsize':(12, 8)})
接下來畫一些正弦函數來看一下Seaborn的基本參數：
def sinplot(flip=1):
x = np.linspace(0, 14, 100)
for i in range(1, 7):
plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)
sinplot()
看看matplotlib的樣式：
print(plt.style.available)
['bmh', 'classic', 'dark_background', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', '_classic_test']
可以看到，Seaborn的樣式已經嵌入其中。我們將樣式設置為Seaborn：
sns.set()
sinplot()
Seaborn將matplotlib的參數分為兩個部分，一控制樣式，一控制圖中各種元素顯示的比例。
Seaborn figure styles
plt.style.available
['bmh',
'classic',
'dark_background',
'fivethirtyeight',
'ggplot',
'grayscale',
'seaborn-bright',
'seaborn-colorblind',
'seaborn-dark-palette',
'seaborn-dark',
'seaborn-darkgrid',
'seaborn-deep',
'seaborn-muted',
'seaborn-notebook',
'seaborn-paper',
'seaborn-pastel',
'seaborn-poster',
'seaborn-talk',
'seaborn-ticks',
'seaborn-white',
'seaborn-whitegrid',
'seaborn',
'_classic_test']
Matplotlib已經嵌入了 Seaborn樣式，嘗試一下不同的樣式：
data = np.random.normal(size=(20, 6))
sns.set_style('whitegrid')
sns.boxplot(data=data)
<matplotlib.axes._subplots.AxesSubplot at 0x1fbc03d6780>
sns.set_style('dark')
sinplot()
sns.set_style('white')
sinplot()
sns.set_style('ticks')
sinplot()
Remove axes spines
有時候我們會去掉box的上軸和右軸：
sinplot()
sns.despine()
當然你也可以：
sns.set_style('white')
sinplot()
sns.despine(left=True, bottom=True)
sns.despine()函數默認刪除右軸和上軸。
f, ax = plt.subplots()
sns.violinplot(data=data)
<matplotlib.axes._subplots.AxesSubplot at 0x1fbc05bdc18>
f, ax = plt.subplots()
sns.violinplot(data=data)
sns.despine(trim=True)
Temporarily setting figure style
我們可以臨時定義作圖參數讓子圖擁有不同的樣式：
with sns.axes_style('darkgrid'):
plt.subplot(211)
sinplot()
plt.subplot(212)
sinplot(-1)
這樣，我們就臨時調用了'darkgrid'樣式。
Overriding elements of the seaborn styles
我們可以看看Seaborn的默認樣式參數：
sns.axes_style()
{'axes.axisbelow': True,
'axes.edgecolor': '.15',
'axes.facecolor': 'white',
'axes.grid': False,
'axes.labelcolor': '.15',
'axes.linewidth': 1.25,
'figure.facecolor': 'white',
'font.family': ['sans-serif'],
'font.sans-serif': ['Arial',
'Liberation Sans',
'Bitstream Vera Sans',
'sans-serif'],
'grid.color': '.8',
'grid.linestyle': '-',
'image.cmap': 'Greys',
'legend.frameon': False,
'legend.numpoints': 1,
'legend.scatterpoints': 1,
'lines.solid_capstyle': 'round',
'text.color': '.15',
'xtick.color': '.15',
'xtick.direction': 'out',
'xtick.major.size': 0.0,
'xtick.minor.size': 0.0,
'ytick.color': '.15',
'ytick.direction': 'out',
'ytick.major.size': 0.0,
'ytick.minor.size': 0.0}
它是一個字典，我們可以自己定義值：
sinplot()
sns.set_style({'axes.facecolor':'.9'})
sinplot()
其他參數也可以修改。
Scaling plot elements
接下來是修改圖的元素比例，包括線條大小，坐標大小等等。
sns.set()
Seaborn預設了四種比例，根據大小依次為 paper, notebook, talk 和 poster。默認為 notebook。
sns.plotting_context()
{'axes.labelsize': 11.0,
'axes.titlesize': 12.0,
'figure.figsize': [8.0, 5.5],
'font.size': 12.0,
'grid.linewidth': 1.0,
'legend.fontsize': 10.0,
'lines.linewidth': 1.75,
'lines.markeredgewidth': 0.0,
'lines.markersize': 7.0,
'patch.linewidth': 0.3,
'xtick.labelsize': 10.0,
'xtick.major.pad': 7.0,
'xtick.major.width': 1.0,
'xtick.minor.width': 0.5,
'ytick.labelsize': 10.0,
'ytick.major.pad': 7.0,
'ytick.major.width': 1.0,
'ytick.minor.width': 0.5}
可以看到默認的元素大小。
sinplot()
sns.set_context('talk')
sinplot()
sns.set_context("poster")
sinplot()
同樣的，可以利用 sns.set_context()來設置sns.plotting_context()中的值。
zxzhu 2018/3/30