seaborn数据处理：数据可视化-Seaborn
seaborn数据处理：数据可视化-Seaborn（total_bill：消费总金额，tip：小费金额，sex：性别，smoker：是否吸烟，day：消费日期，time：消费时段，size：聚餐人数）tips数据集前两条数据如下：可以毫不夸张的说，你想象力能及的图表，Seaborn都能绘制！2. 样例数据本文所有的可视乎图表都是基于Seaborn自带的餐厅顾客消费数据集tips而绘制的。
1. Seaborn简介
Seaborn是一个基于matplotlib且数据结构与Pandas统一的统计图制作库。
Seaborn库旨在以数据可视化为中心来挖掘并理解数据。
Seaborn提供的面向数据集制图函数主要是对行列索引和数组的操作，包含对整个数据集进行内部的语义映射与统计整合。
可以毫不夸张的说，你想象力能及的图表，Seaborn都能绘制！
2. 样例数据
本文所有的可视乎图表都是基于Seaborn自带的餐厅顾客消费数据集tips而绘制的。
tips数据集前两条数据如下：
（total_bill：消费总金额，tip：小费金额，sex：性别，smoker：是否吸烟，day：消费日期，time：消费时段，size：聚餐人数）
3. Seaborn总览
- 关系图
关系图一般是用来表达双变量关系的图表。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style='darkgrid')
tips = sns.load_dataset('tips')
sns.relplot(x='total_bill' y='tip' data=tips)
sns.relplot(x="total_bill" y="tip" hue="smoker" data=tips);
fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint" y="signal" kind="line" data=fmri);
- 分类图
对可分类的数据进行可视化；可以通过散点图、分布图、估计图等形式呈现分类图。
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style='ticks' color_codes=True)
tips = sns.load_dataset('tips')
sns.catplot(x='day' y='total_bill' data=tips)
sns.catplot(x='day' y='total_bill' kind='swarm' data=tips)
sns.catplot(x='day' y='total_bill' kind='box' data=tips)
diamonds = sns.load_dataset('diamonds')
sns.catplot(x='color' y='price' kind='boxen' data=diamonds.sort_values('color'))
sns.catplot(x="total_bill" y="day" hue="time" kind="violin" data=tips)
titanic = sns.load_dataset("titanic")
sns.catplot(x="sex" y="survived" hue="class" kind="point" data=titanic)
sns.catplot(x="sex" y="survived" hue="class" kind="bar" data=titanic)
sns.catplot(x="deck" kind="count" palette="ch:.25" data=titanic)
- 回归图
对数据进行回归，并绘制回归出函数。
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(color_codes=True)
tips = sns.load_dataset("tips")
sns.lmplot(x="total_bill" y="tip" data=tips)
sns.residplot(x="x" y="y" data=anscombe.query("dataset == 'II'") scatter_kws={"s": 80})
f ax = plt.subplots(figsize=(5 6))
sns.regplot(x="total_bill" y="tip" data=tips ax=ax)
- 分布图
用于检查单变量或双变量分布的图表。
import seaborn as sns
import matplotlib.pyplot as plt
from scipy import stats
sns.set(color_codes=True)
x = np.random.normal(size=100)
sns.distplot(x)
sns.kdeplot(x shade=True)
mean cov = [0 1] [(1 .5) (.5 1)]
data = np.random.multivariate_normal(mean cov 200)
df = pd.DataFrame(data columns=["x" "y"])
sns.jointplot(x="x" y="y" data=df)
iris = sns.load_dataset("iris")
sns.pairplot(iris)
- 矩阵图
以矩阵的形式呈现可视化的数据集。
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
sns.set_theme()
# Load the example flights dataset and convert to long-form
flights_long = sns.load_dataset("flights")
flights = flights_long.pivot("month" "year" "passengers")
# Draw a heatmap with the numeric values in each cell
f ax = plt.subplots(figsize=(9 6))
sns.heatmap(flights annot=True fmt="d" linewidths=.5 ax=ax)
sns.set_theme()
# Load the brain networks example dataset
df = sns.load_dataset("brain_networks" header=[0 1 2] index_col=0)
# Select a subset of the networks
used_networks = [1 5 6 7 8 12 13 17]
used_columns = (df.columns.get_level_values("network")
.astype(int)
.isin(used_networks))
df = df.loc[: used_columns]
# Create a categorical palette to identify the networks
network_pal = sns.husl_palette(8 s=.45)
network_lut = dict(zip(map(str used_networks) network_pal))
# Convert the palette to vectors that will be drawn on the side of the matrix
networks = df.columns.get_level_values("network")
network_colors = pd.Series(networks index=df.columns).map(network_lut)
# Draw the full plot
g = sns.clustermap(df.corr() center=0 cmap="vlag"
row_colors=network_colors col_colors=network_colors
dendrogram_ratio=(.1 .2)
cbar_pos=(.02 .32 .03 .2)
linewidths=.75 figsize=(12 13))
g.ax_row_dendrogram.remove()
- 结构化多绘图
以子图的形式绘制成对变量之间的关系。
你的点赞和关注是我持续创作的最大动力！
