seaborn
修改圖片尺寸
from matplotlib import pyplot as plt
plt.figure(figsize=(100, 5))
通過以上兩行起作用
sns.barplot(x=age_survived.index, y=age_survived['Survived'] + age_survived['Dead'], color='red')
sns.barplot(x=age_survived.index, y=age_survived['Survived'], color='green')
數據探索性分析
區分boxplot, barplot
barplot與boxplot畫圖效果不一致，barplot不能顯示較高精度。boxplot可以顯示均值范圍以及異常值個數。
數據離散程度以及異常值
sns.pairplot(iris, hue='Name')
單個變量離散程度
sns.scatterplot(x=train.index, y=train.SibSp)
數據范圍
由pandas提供boxplot方法
iris.boxplot(by="Name", figsize=(12, 6))
roc/auc
y_test若不為二分類label，則需要指定pos_label, pos_labelz作為正例，其余class都作為反例
fpr, tpr, threshold = roc_curve(y_test, svc.decision_function(X_test)[:, 1], pos_label=1)
sns.lineplot(x=fpr, y=tpr)
混淆矩陣
sns.heatmap(confusion_matrix(y_test, svc.predict(X_test)), annot=True)
grid search查找參數
y軸為param_grid中第一個參數，x軸為param_grid中第二個參數，但不能設置xlable, ylabel
sns.heatmap(scores, yticklabels=param_grid['C'], xticklabels=param_grid['gamma'],
annot=True, )
特征重要性
設置orient，且交換x, y
sns.barplot(x=sorted_feature_importances, y=sorted_feature_names, orient='h')
sns.barplot(x=sorted_feature_names, y=sorted_feature_importances)
keras model train_history
構建一個DataFrame，x='epoches', y='acc'分別為DataFrame key
sns.lineplot(x='epoches', y='acc', data=train_history_df, markers=True)
由dict構建一個DataFrame
history_dic = train_history.history
epochs = np.shape(train_history.history['acc'])[0]
history_dic['epoches'] = range(epochs)
直方圖
ratings['rating']為pandas中Series結構
sns.distplot(ratings['rating'])
matploitlib直方圖
plt.hist(ratings['rating'])
對離散變量，且取值個數較少情況
用barplot或者catplot，可以引用hue屬性，查看3個變量情況
sns.barplot(x='SibSp', y='Survived', hue='Sex', data=train_ready)
sns.catplot(x='SibSp', y='Survived', hue='Sex', data=train_ready, kind='bar')
sns.catplot(x='SibSp', y='Survived', hue='Sex', data=train_ready, kind='box')
對連續變量，且取值個數較多情況（如Age, Fare）
不能用barplot，否則會由於bar過多而密集
用distplot，不允許數據中有空值，需要先填充空值
sns.distplot(a=train_ready['Age'])
用FacetGrid，允許數據中有空值
g = sns.FacetGrid(train_ready, col='Survived')
g.map(sns.distplot, 'Age')
柱狀圖疊加效果，計算總量及比率 （查找更簡潔方法）
sns.barplot(x=sex_survived.index, y=sex_survived['Survived']+sex_survived['Dead'], color='red')
sns.barplot(x=sex_survived.index, y=sex_survived['Survived'], color='green')