seaborn繪圖

導語：

既然有了matplotlib,那為啥還需要seaborn呢？其實seaborn是在matplotlib基礎上進行封裝，Seaborn就是讓困難的東西更加簡單。用Matplotlib最大的困難是其默認的各種參數，而Seaborn則完全避免了這一問題。seaborn是針對統計繪圖的，一般來說，seaborn能滿足數據分析90%的繪圖需求，復雜的自定義圖形，還是要Matplotlib。

 

導入數據

 

import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei']#顯示中文
plt.rcParams['axes.unicode_minus'] = False#顯示負號
import pandas as pd
import numpy as np
from pandas import Series,DataFrame
test=pd.read_excel("/Users/yaozhilin/Downloads/exercise.xlsx",sep="t")
test.head(5)#顯示前五行

 

為了描述簡便下面matplotlib-M,pandas-P和seaborn-S

 

~條形圖：sns.barplot（）

1. M:plt.bar(x,y)
2. P:data.plot(kind="bar")
3. S:sns.baplot(x=,y=,data=,hue=)

ig,axes = plt.subplots(2,2,figsize=(8,8))
sns.barplot(x="所屬區域",y="數量",data=test,ax=axes[0,0])
sns.barplot(x="所屬區域",y="數量",data=test,ax=axes[0,1],ci=0)#ci=0去掉置信線
sns.barplot(x="所屬區域",y="數量",data=test,ax=axes[1,0],hue="產品類別",ci=0)#用hue進行分組，非常實用

 

注：M與S語法一致但S傳參數hue就可以分組，非常簡便,而P默認index=x、values=y.

 

~直方圖：distplot

 

1. M:plt.hist(data,bins=)
2. P:data.plot(kind="hist",bins=)
3. S:sns.distplot(data,bins=,hist=,kde=,rug=)

 

Seaborn有一個強大的方法：distplot，它支持一些參數：

• bins：直方圖的分塊
• hist：True表示繪制直方圖，默認為True
• kde：True表示繪制密度圖，默認為True
• rug：顯示分布情況，默認為False不顯示

 

test.dropna(how='any',inplace=True)#去除缺失值
fig,axes = plt.subplots(2,2,figsize=(9,9))
sns.distplot(test["數量"],ax=axes[0,0],color="green")
sns.distplot(test["數量"],ax=axes[0,1],color="black",kde=False)#只畫直方圖
sns.distplot(test["數量"],ax=axes[1,0],color="blue",hist=False)#只kde圖
sns.distplot(test["數量"],ax=axes[1,1],color="green",rug=True)#加抖動rug

 

 

 

~箱型圖sns.boxplot(x,y,data)

 

1. M:plt.boxplot(data)
2. P:data.plot(kind="box",)
3. S:sns.boxplot(x=,y=,data,hue=)

 

 M對一列數作箱型圖，P中data若是多列則每列都是一個箱型圖，S則是將x分為y組出多個箱型圖也能加參數hue再次分組。

 

 

單個箱型圖

sns.boxplot(y='數量',data=test,color="green")#傳一個變量,即不分類，若傳只傳x為水平圖

 

 

多個箱型圖:傳入x,x有幾類就有幾個圖

sns.boxplot(x='所屬區域',y='數量',data=test)#按“所屬區域”畫“數量”的箱型圖

 

 

sns.boxplot(x='所屬區域',y='數量',data=test,hue="產品類別")#hue還可以再次分類

 

 

~散點圖

 

1. M:plt.scatter(x,y)
2. P:data.plot(kind="scatter",x=,y=)
3. S:sns.scatterplot(x=,y=,data,hue=)

只有S中X可以為分類變量，做出類似箱型圖的點圖，而且可以傳殘hue進行分類。

 

 

sns.scatterplot(x="所屬區域",y="數量",data=test)

 

sns.scatterplot(x="所屬區域",y="數量",data=test,hue="產品類別")#hue分類

sns.swarmplot()和sns.stripplot()更為美觀

sns.swarmplot(x="所屬區域",y="數量",data=test,hue="產品類別")#hue分類 

 

sns.stripplot(x="所屬區域",y="數量",data=test,hue="產品類別",split=True)#split將點打散

 

 

變量關系圖

sns.jointplot(x=,y=,data=,kind=)

 

kind的類型"scatter" 、"reg" 、"resid" 、"kde" 、 "hex"

下面我們看看test中成本和金額的關系圖

sns.jointplot(x="成本",y="金額",data=test)

 

默認kind=scatter，看看kind=kde

sns.jointplot(x="成本",y="金額",data=test,kind="kde")#kind="kde"密度曲線圖

 

kind=reg為回歸圖，看看成本和售價回歸圖是否可以很好的擬合

sns.jointplot(x="成本",y="金額",data=test,kind="reg")#kind="reg"回歸圖

 

 

~sns.pairplot(data)

所有變量倆倆畫圖

sns.pairplot(test)

 

diag_kind調整圖形樣式

sns.pairplot(test,diag_kind="kde")

 

vas=[]控制要畫圖的數據

sns.pairplot(test,diag_kind="kde",vars=["數量","金額"])

 

hue進行分組

sns.pairplot(test,diag_kind="kde",vars=["數量","金額"],hue="所屬區域")#hue進行分類 

 

 

~sns.lmplot()

參數：x=,y=,data=,order:次數,robust:魯棒性,ci:置信度,hue:分組,col:分組並且圖像拆分

探究test中金額與數量的回歸圖：

sns.lmplot(x="金額",y="數量",data=test)#默認線型回歸

 

robust：忽略異常點

sns.lmplot(x="金額",y="數量",data=test,robust=True)#robust=True忽略異常點，讓圖形具有魯棒性

 

hue分組

 

col相當於分開畫圖的hue

sns.lmplot(x="金額",y="數量",data=test,col="產品類別")#col也是分組，但能分別畫圖