seaborn學習筆記（五）：繪制多子圖

In [1]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

In [2]:

sns.set()

In [3]:

iris = sns.load_dataset('iris', data_home='.')

In [4]:

iris.head(2)

Out[4]:

 

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa

 

1 一圖多繪¶

一圖多繪是指在同一個坐標系繪制多個圖表，這種方法原理是因為每個軸級繪圖方法返回值都是AxesSubplot類實例，且每個軸級繪圖方法都有ax參數可以接收一個AxesSubplot類實例進行指定坐標繪圖：

In [5]:

axesSub = sns.boxplot(x='species', y='sepal_length', data=iris)
axesSub = sns.stripplot(x='species', y='sepal_length', data=iris, ax=axesSub)  # ax=axesSub，指定坐標性, 在之前箱型圖基礎上，繼續繪制條帶圖
axesSub = sns.lineplot(x='species', y='sepal_length', data=iris, ax=axesSub)  # ax=axesSub，指定坐標性, 在之前箱型圖基礎上，繼續繪制折線圖

 

 

2 ax：指定子圖坐標系¶

這個方法在此前介紹各繪圖方法時，也有介紹並多次使用過，那就是各軸級繪圖方法的ax參數傳遞坐標系，這種方法配合matplotlib的subplots()方法，是我認為最靈活，可定制化程度最高的一種多子圖繪圖方法，可以實現每一個子圖都繪制不同種類的圖表：

In [6]:

fig, ax =plt.subplots(1,3,constrained_layout=True, figsize=(12, 3))
axesSub = sns.boxplot(x="species", y="sepal_length", data=iris, ax=ax[0])
axesSub.set_title('boxplot')
axesSub = sns.stripplot(x="species", y="sepal_length", data=iris, ax=ax[1])
axesSub.set_title('stripplot')
axesSub = sns.histplot(x="sepal_length", data=iris, ax=ax[2])
_ = axesSub.set_title('histplot')

 

 

3 PairGrid：成對關系網格子圖¶

PairGrid用於繪制數據集中成對關系的子圖網格。此類將數據集中的每個變量映射到多個軸的網格中的列和行。可以使用不同的軸級繪圖函數來繪制上三角和下三角的雙變量圖，並且對角線上可以顯示每個變量的邊際分布。它還可以通過hue參數用不同顏色繪制不同的數據子集來表示附加級別的條件化。這使用顏色來解析第三維的元素，但只是在彼此之上繪制子集，並且不會像接受hue的軸級函數那樣為特定可視化定制hue參數。

 

• hue:將繪圖的不同面映射為不同的顏色
• hue_order：字符串組成的list，設置hue后設置各顏色順序
• hue_kws：要插入到繪圖調用中的其他關鍵字參數，以使其他繪圖屬性在色調變量的不同級別（例如散點圖中的標記）之間變化。例如按顏色使用不同標記，hue_kws={"marker": ["o", "s", "D"]}
• palette:調色板
• vars: 同時指定x軸、y軸繪圖字段，否則使用所有數值型字段
• x_vars：指定x軸繪圖字段
• y_vars：指定y軸繪圖字段
• height標量，可選，每個刻面的高度（以英寸為單位）
• aspect：標量，可選,aspect 和 height 的乘積得出每個刻面的寬度（以英寸為單位）
• despine：布爾值，可選,從圖中移除頂部和右側外邊框。
• dropna：布爾值，可選,在繪圖之前刪除數據中的缺失值。

 

3.1 map方法：指定繪圖方法¶

PairGrid所有參數中，只有data是必傳參數，實例化時，seaborn會根據傳入數據集的各個字段情況，繪制n行n列個坐標系，但僅限於繪制坐標系，坐標系中並未有任何圖像，后續需通過調用map方法指定繪圖方法后才會完成繪圖。注意，在map方法文檔中明確說明，此方法的作用是用同一方法在所有子圖進行繪圖，所以PairGird類繪圖的所有子圖，都是同類圖表。

PairGrid類實例化時，只傳遞data參數，則繪制所有字段的子圖，繼續通過map方法傳遞sns.scatterplot作為繪圖方法繪制散點圖，當然，也可以傳入其他繪圖方法，繪制其他圖形。在對角線上的圖形，由於x軸和y軸都是同一字段，所以圖形呈45度角直線，但並無實際意義。

In [7]:

g=sns.PairGrid(iris)
g=g.map(sns.scatterplot)

 

 

3.2 hue：根據指定字段繪制不同顏色圖形¶

 

在實例化PairGrid類時，通過指定hue參數，可以根據字段繪制不同顏色圖像，不過注意，默認情況下是沒有圖例的，后續需要調用add_legend()添加圖例：

In [8]:

g=sns.PairGrid(iris, hue="species")
g=g.map(sns.scatterplot)
g = g.add_legend()  # 手動添加圖例

 

 

3.3 vars：指定字段繪圖¶

In [14]:

g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"])
g = g.map(sns.scatterplot)

 

 

3.3 height：指定子圖高度¶

In [13]:

g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"],height=1.5)
g = g.map(sns.scatterplot)

 

 

3.4 g.map_diag()和g.map_offdiag()：指定對角線和非對角線的繪圖方法¶

g.map_diag()和g.map_offdiag()是與g.map類似的方法，區別在於g.map_diag()用於指定對角線上子圖繪圖方法，g.map_offdiag()用於指定非對角線上繪圖方法，而g.map一次性指定所有子圖繪圖方法。

例如，非對角線繪制散點圖，對角線上繪制直方圖，可以這么做：

In [15]:

g = sns.PairGrid(iris)
g.map_offdiag(sns.scatterplot)  #指定非對角線繪圖類型為散點圖
g.map_diag(sns.histplot)  #指定對角線繪圖類型為直方圖

Out[15]:

<seaborn.axisgrid.PairGrid at 0x202d1d6f970>

 

 

無論是g.map，還是g.map_offdiag和g.map_diag，都可以傳遞指定的繪圖方法本身的參數，對圖形進行設置：

In [24]:

g = sns.PairGrid(iris)
g.map_offdiag(sns.scatterplot)  #指定非對角線繪圖類型為散點圖
g.map_diag(sns.histplot, color='red', element="step")  #指定對角線繪圖類型為直方圖

Out[24]:

<seaborn.axisgrid.PairGrid at 0x202d502a820>

 

 

3.5 g.map_upper和g.map_lower：指定上三角和下三角的繪圖方法¶

In [28]:

g = sns.PairGrid(iris, hue="species")
g.map_diag(sns.histplot)  #指定對角線繪制直方圖
g = g.map_upper(sns.scatterplot)  # 指定上三角繪制散點圖
g = g.map_lower(sns.kdeplot)  # 指定下三角繪制核密度圖

 

 

4 FacetGrid：多面網格子圖¶

 

FacetGrid通過row, col, hue三個參數，最多從三個維度對數據進行分組，然后通過map方法指定繪圖方法和x軸，y軸字段進行繪圖，主要參數如下：

 

• row, col, hue：定義數據子集的變量，這些數據將繪制在網格中的不同面上。row（行）縱向，col（列）橫向，hue：顏色
• col_wrap：每行最多顯示子圖個數
• height標量，可選，每個刻面的高度（以英寸為單位）
• aspect：標量，可選,aspect 和 height 的乘積得出每個刻面的寬度（以英寸為單位）
• despine：布爾值，可選,從圖中移除頂部和右側外邊框。
• dropna：布爾值，可選,在繪圖之前刪除數據中的缺失值。
• palette：顏色面板
• row_order：字段顯示順序
• col_order：字段顯示順序
• hue_order：字段顯示順序
• hue_kws：要插入到繪圖調用中的其他關鍵字參數，以使其他繪圖屬性在色調變量的不同級別（例如散點圖中的標記）之間變化。例如按顏色使用不同標記，hue_kws={"marker": ["o", "s", "D"]}

In [30]:

tips = sns.load_dataset('tips')

In [31]:

tips.head(2)

Out[31]:

 

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3

 

4.1 col, row, hue：分組統計字段¶

In [46]:

g = sns.FacetGrid(tips, col="time",  row="sex")
g.map(sns.histplot, "total_bill")

Out[46]:

<seaborn.axisgrid.FacetGrid at 0x202d927a430>

 

In [41]:

g = sns.FacetGrid(tips, col="time",  row="sex")
g.map(sns.scatterplot, "total_bill", "tip")

Out[41]:

<seaborn.axisgrid.FacetGrid at 0x202d8a7c310>

 

 

col="time", row="sex"僅表示分組統計的字段，左上角圖表示按time、sex兩個字段進行分組統計后，sex值為Male，time值為Launch的這一部分數據，以total_bill為x軸數據，以tip為y軸數據進行繪圖。當然，可以只指定col或row，還可以添加hue。當使用了hue之后，建議通過add_legend()方法添加圖例：

In [36]:

g = sns.FacetGrid(tips, col="sex", hue="smoker")
g.map(sns.scatterplot, "total_bill", "tip")
g = g.add_legend()

 

 

4.2 col_wrap：每行最多顯示子圖個數¶

In [48]:

g = sns.FacetGrid(tips, col="size", hue="smoker", col_wrap=4)  # 每行最多顯示4個子圖，所以分兩行顯示了，第二行2個子圖
g.map(sns.scatterplot, "total_bill", "tip")
g = g.add_legend()

 

 

4.3 height, aspect：指定子圖高度、寬高比¶

In [54]:

g = sns.FacetGrid(tips, col="day", height=2.5, aspect=1.5)
g.map(sns.histplot, "total_bill")

Out[54]:

<seaborn.axisgrid.FacetGrid at 0x202db5fc1f0>

 

 

4.4 g.refline：添加輔助線¶

In [55]:

g = sns.FacetGrid(tips, col="time", margin_titles=True)
g.map_dataframe(sns.scatterplot, x="total_bill", y="tip")
g.refline(y=tips["tip"].median())

 

 

4.5 添加文本說明¶

In [56]:

def annotate(data, **kws):
    n = len(data)
    ax = plt.gca()
    ax.text(.1, .6, f"N = {n}", transform=ax.transAxes)

g = sns.FacetGrid(tips, col="time")
g.map_dataframe(sns.scatterplot, x="total_bill", y="tip")
g.map_dataframe(annotate)

Out[56]:

<seaborn.axisgrid.FacetGrid at 0x202d5bd2670>