seaborn關聯圖---散點線性圖replot、散點圖scatterplot、線形圖lineplot

1.relplot

它用散點圖和線圖兩種常用的手段來表現統計關系。relplot()使用兩個坐標軸級別的函數來結合了FacetGrid：

1. scatterplot()：(使用kind="scatter"，這是默認參數)
2. lineplot()：(使用`kind="line")

seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None, style_order=None, legend='brief', kind='scatter', height=5, aspect=1, facet_kws=None, **kwargs)

1. size一般接受連續數值型變量，但是我們也可以傳入分類型變量。但是要慎重考慮這種做法，因為這樣比“粗線 vs. 細線”的區分難多了。然而，當數據具有非常高頻的變異性時，我們使用style表現的不同線條樣式會很難區分，這時使用不同的線條寬度就是一個更高效的選擇了
2. 使用col（列）和row（行）參數來展示兩個變量的影響。當我們在圖中增加了更多的變量時（會有更多的子圖），我們可能會想要調整圖形的大小。要記住在FacetGrid中，我們用height（子圖高度）和aspect（高寬比）來定制每個子圖的大
3. 詳細介紹
4. seaborn.relplot

2.scatterplot 散點圖

顯示觀察數據的分布，描述數據的相關性

seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)

1. x,y:輸入的繪圖數據，必須是數值型數據
2. hue:對輸入數據進行分組的序列，使用不同顏色對各組的數據加以區分
3. size:對輸入數據進行分組的序列，使用不同點尺寸對各組的數據加以區分
4. style:對輸入數據進行分組的序列，使用不同點標記對各組的數據加以區分
5. data:pandas.DataFrame型參數，不能包含非數值型數據，否則會報錯。使用該參數的好處為下列兩種情況之一
   1. 第一種情況，快捷的繪制DataFrame內每一列的數據 sns.scatterplot(data=df)
   2. 第二種情況，輸入繪圖的x,y變量時，可以寫簡單一點 sns.scatterplot('a','b',data=df)
6. palette：在對數據進行分組時，設置不同組數據的顯示顏色。hue參數使用的是默認的顏色，如果需要更多的顏色選項，則需要通過調色盤來設置，可以使用seaborn.color_palette()函數來設置顏色
7. hue_order:在使用hue參數對數據進行分組時，可以通過該參數設置數據組的顯示順序
8. sizes:當使用size參數、以不同尺寸顯示不同組數據時，可以通過sizes參數來設定具體的尺寸大小。該參數可以傳入一個尺寸序列，也可以傳入一個包含兩個元素的元祖，分別制定尺寸的上下限。
9. size_order:和hue_order參數作用一樣，不過設置的是尺寸的顯示順序
10. markers:當使用style參數、以不同的標記顯示不同組數據時，可以通過該參數設置不同組數據的標記
11. 詳細介紹
12. seaborn.scatterplot 

3.lineplot 折線圖

seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)

• 詳細說明
• seaborn.lineplot

舉例：

#任務數變化 
df_precision_change_tasknum = pd.read_excel('實驗記錄.xlsx',
                              sheet_name='truth discovery(任務數變化)')
sns.set(style='ticks')
sns.set_context(rc={'lines.linewidth':5})

plt.xlim((19,300.5))
plt.ylim((0.8,1))
plt.xticks(np.arange(20, 301, 40))
plt.yticks([0.80,0.84,0.88,0.92,0.96])

palette = sns.diverging_palette(250, 199, l=40, n=4, center="dark")
ax = sns.lineplot(x="tasknum", y="Precision",hue = 'algorithm', data=df_precision_change_tasknum, 
                  markers = False,palette = palette,style='algorithm')
plt.xlabel('Number of tasks ($n=120$)', fontdict={'color': 'black',
                             'family': 'Times New Roman','size': 18})
plt.ylabel('precision', fontdict={'color': 'black',
                          'family': 'Times New Roman',
                          'size': 18})
plt.legend(['DATE','MV','ED','NC'],prop={'style': 'italic'})#圖例
plt.grid(True)
plt.tight_layout()
#plt.savefig('local_pic/TD_precision_tasknum.jpg',dpi=600)
plt.savefig('loc_svg/TD_precision_tasknum.svg')
plt.show()

　

修改虛線實線：python-如何在seaborn lineplot上繪制虛線？ - 堆棧溢出python-如何在seaborn lineplot上繪制虛線？ - 堆棧溢出