Seaborn常用繪圖函數(shù)

• • 介紹
  • 主題風(fēng)格
  • 函數(shù)
  • 參考
  • 備注

介紹

seaborn是基于Matplotlib的Python數(shù)據(jù)可視化庫(kù)。它提供了一個(gè)高級(jí)界面，用于繪制引人入勝且內(nèi)容豐富的統(tǒng)計(jì)圖形,在Matplotlib上進(jìn)行了更高級(jí)的API封裝，從而使作圖更加容易

主題風(fēng)格

sns.set_style("whitegrid") 橫坐標(biāo)有標(biāo)線，縱坐標(biāo)沒有標(biāo)線，背景白色 sns.set_style("darkgrid") 默認(rèn)，橫縱坐標(biāo)都有標(biāo)線，組成一個(gè)一個(gè)格子，背景稍微深色 sns.set_style("dark") 背景稍微深色，沒有標(biāo)線線 sns.set_style("white") 背景白色，沒有標(biāo)線線 sns.set_style("ticks") xy軸都有非常短的小刻度 sns.despine(offset=30,left=True) 去掉上邊和右邊的軸線，offset=30表示距離軸線（x軸）的距離,left=True表示左邊的軸保留

函數(shù)

(1): 單變量分布圖 - sns.distplot

sns.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)

參數(shù)解讀

• bins：int或list，控制直方圖的劃分

#bins x = np.random.randn(100) #返回100個(gè)數(shù) 且符合正態(tài)分布 fig,axes=plt.subplots(1,2) sns.distplot(x,kde=False,bins=20,ax=axes[0]) #分成20個(gè)區(qū)間 sns.distplot(x,kde=False,bins=[x for x in range(4)],ax=axes[1]) #以0,1,2,3為分割點(diǎn)，形成區(qū)間[0,1],[1,2],[2,3]，區(qū)間外的值不計(jì)入。

• 通過(guò)hist和kde參數(shù)調(diào)節(jié)是否顯示直方圖及核密度估計(jì)(默認(rèn)hist,kde均為True)

x = np.random.randn(100) #返回100個(gè)數(shù) 且符合正態(tài)分布 fig,axes=plt.subplots(1,3) #創(chuàng)建一個(gè)1行三列的圖片 sns.distplot(x,ax=axes[0]) sns.distplot(x,hist=False,ax=axes[1]) #不顯示直方圖 sns.distplot(x,kde=False,ax=axes[2]) #不顯示核密度

• rug：控制是否生成觀測(cè)數(shù)值的小細(xì)條

x = np.random.randn(100) #返回100個(gè)數(shù) 且符合正態(tài)分布 fig,axes=plt.subplots(1,2) #創(chuàng)建一個(gè)1行2列的圖片 sns.distplot(x,rug=True,ax=axes[0]) #左圖 sns.distplot(x,ax=axes[1]) #右圖

• fit：控制擬合的參數(shù)分布圖形，能夠直觀地評(píng)估它與觀察數(shù)據(jù)的對(duì)應(yīng)關(guān)系(黑色線條為確定的分布)

x = np.random.randn(100) #返回100個(gè)數(shù) 且符合正態(tài)分布 # from scipy.stats import * sns.distplot(x,hist=False,fit=norm) #擬合標(biāo)準(zhǔn)正態(tài)分布 黑色線

• vertical=True,color=“y”:控制圖像的橫豎擺放，圖中顏色顯示

sns.distplot(x,vertical=True,color="y")

• norm_hist：若為True, 則直方圖高度顯示密度而非計(jì)數(shù)(含有kde圖像中默認(rèn)為True)

x = np.random.randn(100) #返回100個(gè)數(shù) 且符合正態(tài)分布 fig,axes=plt.subplots(1,2) #創(chuàng)建一個(gè)1行2列的圖片 sns.distplot(x,norm_hist=True,kde=False,ax=axes[0]) #左圖 sns.distplot(x,kde=False,ax=axes[1]) #右圖

內(nèi)容解讀：

• sns.distplot(x) 對(duì)單變量X直接繪制出直方圖，并繪制概率擬合曲線
• Y軸代表概率密度
• 每個(gè)柱子的面積代表概率，面積和=1
• distplot支持3種格式數(shù)據(jù)：pandas.series、numpy中的1darray以及普通的list類型

================================================================

（2）：雙變量分布圖 散點(diǎn)圖 - serborn.jointplot

serborn.jointplot(x，y，data=None，kind=“scatter”，color=None，size=6，ratio=5，space=0.2，dropna=True，xlim=None，ylim=None，joint_kws=None，marginal_kws=None，annot_kws=None，**kwargs)

參數(shù)解讀：

sns.jointplot(x=df['A'], y=df['B'], #設(shè)置xy軸，顯示columns名稱data = df, #設(shè)置數(shù)據(jù)color = 'b', #設(shè)置顏色s = 50, edgecolor = 'w', linewidth = 1,#設(shè)置散點(diǎn)大小、邊緣顏色及寬度(只針對(duì)scatter)kind = 'scatter',#設(shè)置類型：散點(diǎn)圖'scatter' ,'reg','resid'，密度圖'kde',六邊形圖'hex'space = 0.1, #設(shè)置散點(diǎn)圖和布局圖的間距size = 8, #圖表大小(自動(dòng)調(diào)整為正方形))ratio = 5, #散點(diǎn)圖與布局圖高度比，整型marginal_kws = dict(bins=15, rug =True),) #設(shè)置柱狀圖箱數(shù)，是否設(shè)置rug

舉例：

rs = np.random.RandomState(2) df = pd.DataFrame(rs.randn(200,2), columns = ['A','B']) fig,axes=plt.subplots(3,1) #創(chuàng)建一個(gè)1行2列的圖片sns.jointplot(x=df['A'], y=df['B'], #設(shè)置xy軸，顯示columns名稱data = df, #設(shè)置數(shù)據(jù)color = 'b', #設(shè)置顏色 # s = 50, edgecolor = 'w', linewidth = 1,#設(shè)置散點(diǎn)大小、邊緣顏色及寬度(只針對(duì)scatter) # stat_func=sci.pearsonr,kind = 'hex',#設(shè)置類型：散點(diǎn)圖'scatter' ,'reg','resid',，密度圖'kde',六邊形圖'hex'#stat_func=<function pearsonr>,space = 0.1, #設(shè)置散點(diǎn)圖和布局圖的間距size = 8, #圖表大小(自動(dòng)調(diào)整為正方形))ratio = 5, #散點(diǎn)圖與布局圖高度比，整型marginal_kws = dict(bins=15, rug =True),) #設(shè)置柱狀圖箱數(shù)，是否設(shè)置rug

rs = np.random.RandomState(2) df = pd.DataFrame(rs.randn(200,2), columns = ['A','B']) fig,axes=plt.subplots(3,1) #創(chuàng)建一個(gè)1行2列的圖片sns.jointplot(x=df['A'], y=df['B'], #設(shè)置xy軸，顯示columns名稱data = df, #設(shè)置數(shù)據(jù)color = 'b', #設(shè)置顏色s = 50, edgecolor = 'w', linewidth = 1,#設(shè)置散點(diǎn)大小、邊緣顏色及寬度(只針對(duì)scatter) # stat_func=sci.pearsonr,kind = 'scatter',#設(shè)置類型：'scatter','reg','resid','kde','hex'#stat_func=<function pearsonr>,space = 0.1, #設(shè)置散點(diǎn)圖和布局圖的間距size = 8, #圖表大小(自動(dòng)調(diào)整為正方形))ratio = 5, #散點(diǎn)圖與布局圖高度比，整型marginal_kws = dict(bins=15, rug =True),) #設(shè)置柱狀圖箱數(shù)，是否設(shè)置rug

=================================================================

（3）：雙變量分布圖 曲線圖 - seaborn.relplot

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)

參數(shù)解讀：

seaborn.relplot(x=None, y=None, #x, y：data中的變量名 輸入數(shù)據(jù)的變量；數(shù)據(jù)必須為數(shù)值型。hue=None, #將會(huì)產(chǎn)生具有不同顏色的元素的變量進(jìn)行分組。這些變量可以是類別變量或者數(shù)值型變量size=None, #用粗細(xì)表現(xiàn)出分組的不同。可以是分組或數(shù)字(10, 100)style=None, #cue 虛線 stim實(shí)線 也可以是分組data=None, #DataFramerow=None, col=None, #col列分組 row行分組col_wrap=None, #int這個(gè)變量設(shè)置可以將多列包裝以多行的形式展現(xiàn)(有時(shí)太多列展現(xiàn)，不便利)，但不可以將多行以多列的形式展現(xiàn)。row_order=None,col_order=None, #以此順序組織網(wǎng)格的行和/或列，否則順序?qū)臄?shù)據(jù)對(duì)象中推斷palette=None, #["b", "r"] 列表格式 對(duì)不同分組設(shè)定不同顏色hue_order=None, #列表 指定hue變量層級(jí)出現(xiàn)的順序 否則會(huì)根據(jù)數(shù)據(jù)確定hue_norm=None, #元組或者 Normalize 對(duì)象 sizes=None, #列表、字典或者元組 當(dāng)使用sizes時(shí)，用于確定如何選擇尺寸。此變量可以一直是尺寸值的列表或者size變量的字典映射。#當(dāng)size為數(shù)值型時(shí)，此變量也可以是指定最小和最大尺寸的元組，這樣可以將其他值標(biāo)準(zhǔn)化到這個(gè)范圍size_order=None, #列表 指定size變量層次的表現(xiàn)順序，不指定則會(huì)通過(guò)數(shù)據(jù)確定。當(dāng)size變量為數(shù)值型時(shí)與此無(wú)關(guān)size_norm=None, #元組或者 Normalize 對(duì)象 當(dāng)size變量為數(shù)值型時(shí)，用于數(shù)據(jù)單元的 scaling plot 對(duì)象的標(biāo)準(zhǔn)化legend='brief', #“brief”, “full”, 或者 False, #用于決定如何繪制坐標(biāo)軸。如果參數(shù)值為“brief”, 數(shù)值型的hue以及size變量將會(huì)被用等間隔采樣值表示。#如果參數(shù)值為“full”, 每組都會(huì)在坐標(biāo)軸中被記錄。如果參數(shù)值為“false”, 不會(huì)添加坐標(biāo)軸數(shù)據(jù)，也不會(huì)繪制坐標(biāo)軸。kind='scatter', #可選項(xiàng)為(scatter 散點(diǎn)圖 及l(fā)ine 曲線圖).height=5, #每個(gè) 生成圖 的高度aspect=1, #每個(gè) 生成圖 的長(zhǎng)寬比 )

舉例：

sns.relplot(x="timepoint", y="signal", data=df, kind="line")

================================================================

(4)條形圖 sns.barplot()

countplot參數(shù)和barplot基本差不多，可以對(duì)比著記憶，有一點(diǎn)不同的是countplot中不能同時(shí)輸入x和y，且countplot沒有誤差棒，類別特征barplot要同時(shí)傳入x,y

seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None, dodge=True, ax=None, **kwargs)

參數(shù)解讀：

seaborn.barplot(x=None, y=None, #數(shù)據(jù)X,Y軸傳值hue=None, #數(shù)據(jù)分組變量名data=None, #DataFrame,數(shù)組或數(shù)組列表order=None, hue_order=None, #顯式指定分類順序，order=[字段變量名1，字段變量名2,...]ci=95, #在估計(jì)值附近繪制置信區(qū)間的大小n_boot=1000, #計(jì)算置信區(qū)間時(shí)使用的引導(dǎo)迭代次數(shù)orient=None, # 橫v\縱h 圖的顯示方向(垂直或水平,即橫向或縱向)color=None, #顏色palette=None, #調(diào)試板名稱，列表或字典類型saturation=0.75, #飽和度：floaterrcolor='.26', #表示置信區(qū)間的線條顏色errwidth=None, #float 表示誤差線的厚度capsize=None, #float 表示誤差線上"帽"的寬度(誤差線上的橫線的寬度)dodge=True, ax=None, **kwargs)

舉例：

sns.barplot(x=df.A, y=df.B,hue=df.C,data=df)

#palette:調(diào)色板，控制不同的顏色style fig,axes=plt.subplots(2,1) sns.barplot(x="color",y="age",data=data,ax=axes[0]) #上圖 sns.barplot(x="color",y="age",data=data,palette="Set3",ax=axes[1]) #下圖

#capsize（float）: 設(shè)置誤差棒帽條（上下兩根橫線）的寬度 fig,axes=plt.subplots(1,2) sns.barplot(x="color",y="age",data=data,ax=axes[0],capsize=.2) #左圖 sns.barplot(x="color",y="age",data=data,ax=axes[1],capsize=.9) #右圖

參考

• https://seaborn.apachecn.org/#/docs/21

備注

• 有時(shí)作圖時(shí)，會(huì)有圖片標(biāo)題中文顯示亂碼的問(wèn)題，可以使用這行代碼解決：

plt.rc("font",family="SimHei",size="12")

• 如果X的維度名稱太長(zhǎng)可以使用傾斜45度處理

plt.xticks(rotation=45)

總結(jié)

以上是生活随笔為你收集整理的Seaborn常用绘图函数-sjs的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。