首先導(dǎo)包，下面會使用sklearn自帶的數(shù)據(jù)集來演示畫圖操作

from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt import pandas as pd

X，Y分別表示鳶尾花的特征和標(biāo)簽，下面的畫圖會使用到X,Y。 下面的畫圖有的是Dataframe列名，有的是numpy數(shù)據(jù)

1、lineplot（線圖）

注意:這里我直接用numpy類型，并未轉(zhuǎn)成DataFrame類型

加載sklearn的鳶尾花數(shù)據(jù)，共150條數(shù)據(jù)，每個數(shù)據(jù)有、'sepal length ', 'sepal width ', 'petal length ', 'petal width' 4個特征，共'setosa', 'versicolor', 'virginica'三種類別。

?

?上面的ci=0用于去掉圖中的陰影，可以去掉ci=0看看效果。

上面我并未通過DataFrame關(guān)鍵字來獲取指定列，所以坐標(biāo)軸沒有標(biāo)簽，我手動plt.xlabel和plt.ylabel進行了指定坐標(biāo)軸標(biāo)簽。

2、scatterplot（散點圖）

?注意：這里可以使用向量而不使用DataFrame中的列名

散點圖是分析兩個特征變量直接的關(guān)系，如果是線性關(guān)系，我們就可以去除其中一個特征，相當(dāng)于去除冗余特征

1、普通散點圖

?解釋跟上面的線圖一樣

2、分組散點圖

按點所屬的類型來進行不同標(biāo)記，使用hue參數(shù)來指分組。下面的hue是指樣本的標(biāo)簽target，sns會自動根據(jù)標(biāo)簽的不同來分組，即'setosa', 'versicolor', 'virginica'三組，因此有三種不同顏色的點。

?下面增加了style=Y參數(shù)，這個也是分組的功能，根據(jù)style所選參數(shù)來分組點，不同類別的點采用不同的形狀，Y有三種類別，所以有三種形狀的點

3、pairplot（成對關(guān)系圖）

注意：這里強制使用DataFrame類型，所以現(xiàn)將X轉(zhuǎn)成了DataFrame類型

將每一列與其他類畫散點圖，上面的數(shù)據(jù)集有4個特征，所以有4*4個圖

注意， 這個參數(shù)必須是DataFrame類型

4、countplot(計數(shù)圖)

注意：這里可以使用向量作為輸入，不需要列名

1、指定參數(shù)為x=,即以x軸作為類別，y軸作為計數(shù)個數(shù)

?2、指定參數(shù)y=,即以y軸作為類別，x軸作為計數(shù)個數(shù)

?5、displot(直方圖）

?注意：不是distplot，是displot，distplot已經(jīng)被官方遺棄，請使用displot

直方圖是數(shù)值數(shù)據(jù)分布的精確圖形表示。 這是一個連續(xù)變量的概率分布的估計，直方圖的畫法如下：

?1、普通直方圖

直方圖默認(rèn)組數(shù)是9組，可以通過bins參數(shù)來調(diào)整組數(shù)，橫軸是變量的數(shù)值范圍，縱軸是落在區(qū)間的個數(shù)

下面的，kde=True參數(shù)是畫帶核密度的直方圖

?

2、分類直方圖：根據(jù)數(shù)據(jù)所屬類別的來畫直方圖

?解釋：上面的三種不同顏色代表三種鳶尾花，通過hue=Y來給數(shù)據(jù)劃分。沒給數(shù)據(jù)X[i, 0]都對應(yīng)一個Y標(biāo)簽，所以得出三種顏色的柱子。通過x=X[:,0]來指定柱子的方向在x，如果指定y=X[:,0]那么將在y軸顯示柱子。

6、lmplot回歸圖

回歸圖會自動完成回歸擬合，用于分析特征變量之間是否存在關(guān)系。

注意：下圖是官網(wǎng)的參數(shù)介紹，這個函數(shù)必須提供，特征X, 特征Y， data， 而且只能是DataFrame類型的列名，通過hue來進行分組。

?

?下圖是通過hue=Y參數(shù)來進行分組，Y有三種類型，所以有三種不同顏色的點

總結(jié)

以上是生活随笔為你收集整理的seaborn常用图的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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