seaborn簡(jiǎn)介

Seaborn其實(shí)是在matplotlib的基礎(chǔ)上進(jìn)行了更高級(jí)的API封裝，從而使得作圖更加容易，在大多數(shù)情況下使用seaborn就能做出很具有吸引力的圖。

seaborn基礎(chǔ)

import seaborn as sns import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt

1.seaborn的整體布局風(fēng)格設(shè)置

seaborn有五種風(fēng)格
whitegrid風(fēng)格：

sns.set_style("whitegrid") data=np.random.normal(size=(20,6))+np.arange(6)/2 sns.boxplot(data=data) plt.show()

dark風(fēng)格：

sns.set_style("dark") data=np.random.normal(size=(20,6))+np.arange(6)/2 sns.boxplot(data=data) plt.show()

white風(fēng)格：

sns.set_style("white") data=np.random.normal(size=(20,6))+np.arange(6)/2 sns.boxplot(data=data) plt.show()

ticks風(fēng)格：

sns.set_style("ticks") data=np.random.normal(size=(20,6))+np.arange(6)/2 sns.boxplot(data=data) plt.show()

2.調(diào)色板

（1）、顏色很重要
（2）、color_palette（）能傳入Matplotlib所支持的顏色
（3）、color_palette（）不寫參數(shù)則默認(rèn)顏色
（4）、set_palette（）設(shè)置所有圖的顏色
分類色板：
六個(gè)默認(rèn)的顏色循環(huán)主題

sns.set(rc={"figure.figsize":(6,6)})current_paette=sns.color_palette() sns.palplot(current_paette)plt.show()

圓形畫板：
當(dāng)有六個(gè)以上的分類要區(qū)分時(shí)，最簡(jiǎn)單的方法就是在一個(gè)圓形的顏色空間中畫出均勻間隔的顏色（這樣的色調(diào)會(huì)保持廣度和飽和度不變）。
這是大多數(shù)的當(dāng)需要使用比當(dāng)前默認(rèn)顏色循環(huán)中設(shè)置的顏色更多時(shí)的默認(rèn)方案。
最常用的方法是使用hls的顏色空間，這是RGB值的一個(gè)簡(jiǎn)單轉(zhuǎn)換。

sns.palplot(sns.color_palette("hls",8))

hls_palette（）函數(shù)來(lái)控制顏色的亮度和飽和
l —— 亮度 lightness
s —— 飽和 saturation

sns.palplot(sns.hls_palette(8,l=.7,s=.9))

也可以成對(duì)設(shè)置顏色：

sns.palplot(sns.color_palette("Paired",8))

連續(xù)色板：
色彩隨數(shù)據(jù)變換，比如數(shù)據(jù)越來(lái)越重要?jiǎng)t顏色越來(lái)越深：

sns.palplot(sns.color_palette("Blues"))

也可以翻轉(zhuǎn)過(guò)來(lái)：

sns.palplot(sns.color_palette("Blues_r"))

cubehelis_palette（）調(diào)色板
色調(diào)線性變換

sns.palplot(sns.color_palette("cubehelix",8))

單變量分析繪圖

演示：特征的可視化

iris=sns.load_dataset("iris") sns.pairplot(iris)

在對(duì)角線上是單變量的直方圖，其他位置是兩個(gè)變量的散點(diǎn)圖。

多變量分析繪圖

引入數(shù)據(jù)集：

np.random.seed(sum(map(ord,"categorical"))) titanic=sns.load_dataset("titanic") tips=sns.load_dataset("tips") iris=sns.load_dataset("iris")sns.stripplot(x="day",y="total_bill",data=tips)plt.show()

重疊是很常見(jiàn)的現(xiàn)象，但是重疊影響了觀察數(shù)據(jù)的量。
浮動(dòng)一下：

sns.stripplot(x="day",y="total_bill",data=tips,jitter=True)

如果想要讓數(shù)據(jù)完全均勻分開(kāi)：

sns.swarmplot(x="day",y="total_bill",data=tips)

補(bǔ)充：
盒圖 IQR即統(tǒng)計(jì)學(xué)概念四分位距，第一/四分位與第三/四分位之間的距離
N=1.5IQR 如果一個(gè)值>Q3+N或<Q1-N，則為離群點(diǎn)

回歸分析繪圖

首先使用一個(gè)內(nèi)置的數(shù)據(jù)集：

sns.set(color_codes=True)np.random.seed(sum(map(ord,"regression")))tips=sns.load_dataset("tips")tips.head()

regpolt（）和implot（）都可以繪制回歸關(guān)系，推薦regpolt（），支持參數(shù)更多。

x=“total_bill”,y="tip"之間的回歸關(guān)系：

sns.regplot(x="total_bill",y="tip",data=tips)

x=“size”,y="tip"之間的回歸關(guān)系：

sns.regplot(x="size",y="tip",data=tips)

不過(guò)這好像并沒(méi)有什么鬼關(guān)系，我們可以加上一個(gè)小范圍的浮動(dòng)值：

sns.regplot(x="size",y="tip",data=tips,x_jitter=.05)

內(nèi)容很多，慢慢消化，慢慢補(bǔ)充。

總結(jié)

以上是生活随笔為你收集整理的01、python数据分析与机器学习实战——Python可视化库Seaborn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(jué)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。