文章目录

预设
修改 Matplotlib 画图 style
Seaborn 常用绘图
- 柱状图
- 计数图
- 密度图（hist kde）
- 散点图
- 箱型图
- 散点图矩阵
- 小提琴图
- 混合绘图
- 回归图
案例

seaborn 是 matplotlib 一个高级接口，它的底层是用 matplotlib 实现的。区别于后者，它致力于打造现代画图方式，而非经典的 Matlab 格式。

seaborn 可以直接画图，或者可以用来修改 matplotlib 的画图 style

预设

要想画出来的图有些逼格，首先应该进行如下设置

sns.set(style='ticks',rc={'font.sans-serif':'SimHei','axes.unicode_minus':False})   #用来显示中文

修改 Matplotlib 画图 style

import matplotlib.pyplot as plt
import numpy as np
import seaborn as snsplt.rcParams['font.sans-serif']=['SimHei']    #画图时显示中文字体
plt.rcParams['axes.unicode_minus'] = False     #防止因修改成中文字符，导致某些 unicode 字符不能显示
plt.subplots_adjust(left=None, bottom=None, right=None, top=None,wspace=0.3)    #设置制子图之间的左右间距，left 等是设置画图区域与画布之间的间font1 = {'family' : 'SimHei',
'weight' : 'normal',
'size'   : 15,
}   #设置图例（legend）文字的格式的def myplot(flip=2):x = np.linspace(0,20,50)for i in range(1,5):plt.plot(x,np.cos(x+i*0.8)*(9-2*i)*flip)myplot()

用 Matplotlib 画出的图如上，我们可以用 sns.set() 函数来修改画图风格。具体用法如下：sns.set(context='notebook',style='darkgrid',palette='deep',font='sans-serif',font_scale=1,color_codes=None,rc=None)
其中：
context：用于修改绘图的各种元素的格式，默认设置有 notebook、paper、talk、poster
style：darkgrid、whitegrid、dark、white、ticks
palette：调色板
font：字体格式
font_scale：字体大小
color_codes：修改颜色空间
rc：即 matplotlib 的rcParams，接收字典，比如：rc={‘line.linewidth’:2.5}
我们修改代码：

sns.set(context='poster',style='whitegrid',palette='deep',font_scale=1.5,color_codes=None)
myplot()

可得：

也可以用 sns.spine 来修改图中的坐标轴，比如sns.spine()可以移除图中顶部和右侧的轴线：

sns.set(context='notebook',style='white')
myplot()
sns.despine()

通过设置 despine 的参数，就能够修改其他轴线，比如 sns.despine(left=True) 可以将左边的轴线删除掉。sns.spine(offset=20) 可以设置轴线偏离画布的距离。

可以在同一副图中设置不同的绘图风格：

sns.set(context='notebook',style='ticks')
plt.subplot(2,1,1)
myplot()
sns.set(context='talk',style='darkgrid',font_scale=1)
plt.subplot(2,1,2)
myplot(-1)

除了用 sns.set() 来设置绘图风格之外，还可以用 sns.axes_style() 和 sns.plotting_context() 来分别设置绘图外观和绘图内容，分别对应 sns.set 的 style 和 context 参数，其取值也是一样的。

Seaborn 常用绘图

柱状图

可以用 sns.barplot(x,y) 来绘制，其中 x 一般是一个离散类别变量。

df = sns.load_dataset('iris')
sns.set(style='ticks')
sns.barplot(x=df['species'],y=df['petal_length'])

也可以用 sns.barplot(x,y,data) 来绘制。其中 data 是一个 dataframe 变量，x、y 接受 data 的列名，用于指定哪两列来绘图。

df = sns.load_dataset('iris')
sns.set(style='ticks')
sns.barplot(x='species',y='petal_length',data=df)

计数图

用法：sns.countplot(x) 或者 sns.countplot(x,data)。其中 x 为需要计数的变量，一般为类别型变量。x 也可以接受字符串，此时需要补一个 data 参数。data 参数接受一个 dataframe 变量，x 为 data 的某一个列名，用于指示哪一个 data 的列以绘制计数图。

sns.countplot(x='species',data=df)
或者
sns.countplot(x=df['species'])

可得：

并列计数图：sns.countplot(x,hue,data)，其中 hue 应为一个类别变量的列名。

密度图（hist kde）

sns.distplot(x, bins = None, kde = True, hist = True, rug = False)
其中 bins 为画频率直方图的“x 轴格子数”，kde 为是否画出概率密度曲线，rug 为是否画出毛毯图；

dataset = datasets.load_iris(return_X_y = False)
X = pd.DataFrame(dataset['data'],columns=dataset.feature_names)
y = dataset['target']     # 导入数据格式sns.set()   #默认格式sns.distplot(X['petal width (cm)'],color='g')
plt.ylabel('Density')

结果如下：

from sklearn import datasetsdataset = datasets.load_iris(return_X_y = False)
X = pd.DataFrame(dataset['data'],columns=dataset.feature_names)
y = dataset['target']d = X['petal width (cm)']
d1 = X['petal length (cm)']sns.set(palette='muted')
fig = plt.figure(figsize=(8,8))
plt.subplot(2,2,1)
sns.distplot(d,color='g',bins=10,label='频数直方图',kde=False)
plt.legend(prop=font1)
plt.ylabel('Frequency')plt.subplot(2,2,2)
sns.distplot(d,color='b',hist=False,rug=True,label='毛毯图与密度图')
plt.legend(prop=font1)
plt.ylabel('Density')plt.subplot(2,2,3)
sns.distplot(d,color='m',hist=False,kde_kws={"shade":True},label='概率密度图')
plt.legend(prop=font1)
plt.ylabel('Density')plt.subplot(2,2,4)
sns.distplot(d,color='y')

sns.distplot(

散点图

可以用 sns.stripplot(x,y)
sns.stripplot(d1,d)
可得：

散点图的绘图函数也可以这样调用：sns.stripplot(x,y,data)，其中 x，y 接受字符类型的变量，data 是 dataframe 的变量。x，y 为 dataframe 变量中的列名。

sns.set(context='paper')
sns.stripplot(x='sepal length (cm)',y='petal length (cm)',data=X)

箱型图

可以用 sns.boxplot(x,y)

from sklearn import datasetsdataset = datasets.load_iris(return_X_y = False)
X = pd.DataFrame(dataset['data'],columns=dataset.feature_names)
y = dataset['target']
d = X['petal width (cm)']
sns.boxplot(y,d)

可得

箱型图也可以用 sns.boxplot(x,y,data) 的方式绘图，其中 data 是 dataframe 变量，x，y接受 data 的列名。

散点图矩阵

可以用 sns.pairplot(data,vars=[]) 绘制。其中 data 接受一个 dataframe 数据，vars 接受一个字符串列表，每一个字符串都取自 dataframe 的列名。

df = sns.load_dataset('iris')
sns.set(style='ticks')
sns.despine()
sns.pairplot(df,vars=['sepal_length','sepal_width','petal_length'])

可得：

散点图矩阵中，对角线是频数直方图；其余是两两特征的散点图。

小提琴图

小提琴图是箱型图和概率密度图的结合，可以用 sns.violinplot(data) 来绘制，其中 data 是要展示的数据，是一个向量，可以是 array 或者 list 或者 series，代码如下：

df = sns.load_dataset('iris')
sns.set(style='ticks')
sns.violinplot(df['petal_length'])

也可以用 sns.violinplot(x,y,data) 来绘制多个小提琴。其中 data 是一个 dataframe 变量， x，y 接受 data 变量的列名，用于指示需要绘制那一列。一般 x 指示的列是离散变量，即类别。

df = sns.load_dataset('iris')
sns.set(style='ticks')
sns.violinplot(df['species'],df['petal_length'])
或者：
sns.violinplot(x='species',y='petal_length',data=df)

混合绘图

用法为 sns.jointplot(x,y,kind='scatter') 或者 sns.jointplot(x,y,data,kind='scatter')，示例如下：

df = sns.load_dataset('iris')
sns.set(style='ticks')
sns.jointplot(df['petal_length'],df['petal_width'])

修改 kind = 'kde'，从而用密度图代替频率分布图，等高线图代替散点图，如下：

sns.jointplot(x='petal_length',y='petal_width',data=df,kind='kde')

回归图

回归图可以揭示两个变量之间的线性关系，代码是 sns.regplot(x,y) 或 sns.regplot(x,y,data)：

df = sns.load_dataset('iris')
sns.set(style='ticks')
sns.regplot(x=df['petal_length'],y=df['petal_width'])
或者：
sns.regplot(x='petal_length',y='petal_width',data=df)

案例

df = sns.load_dataset('titanic')
display(df.head())
display(df.isnull().sum())mean = df['age'].mean()
print(mean)
df['age'] = df['age'].fillna(mean)
df['embarked'] = df['embarked'].fillna('S')
del df['deck']sns.set(context='paper',style='white',font_scale=1.25)
sns.despine()
sns.distplot(df['age'],bins=15)df['sex'].value_counts().plot(kind='bar',rot=30,fontsize=16)
plt.ylabel('数量',fontsize=16)
plt.xlabel('年龄',fontsize=16)
plt.show()
sns.countplot(x=df['sex'])sns.boxplot(x=df['sex'],y=df['age'])
sns.countplot(x='class',data=df)
sns.violinplot(df['class'],df['age'])sns.countplot(df['alive'],hue=df['class'])

Seaborn 画图相关推荐

seaborn+画图+EDA
seaborn+画图+EDA 本文介绍了一些用于查看categorical变量与其他变量(一般是label)之间关系的一些可视化技巧,其中主要涉及的包有: 查看categorical变量与一些其他变量 ...
python seaborn 画图
python seaborn 画图 59888745@qq.com 2017.08.02 distplot( ) kdeplot( ) distplot( )为hist加强版, kdeplot( ) ...
seaborn画图设置横纵坐标标签
用seaborn库来画图,也同样可以通过matplotlib.pyplot.xlabel设置x轴标签,而matplotlib.pyplot.ylabel设置当前轴的y轴标签举个例子: import ...
python使用matplotlib, seaborn画图时候的数据加载
写在前面的话当我们使用python来画图的时候,我觉得最难的部分应该是数据加载.因为尽管官网的教程给出了怎么画出某个图片的示例,但是数据往往是随机产生的,这些数据和我们需要的数据往往是不符的.这个时 ...
Python_note9 Matplotlib画图 Seaborn画图
数据处理到人工智能数据表示采用合适方式程序表达数据数据清洗数据归一化,数据转换,异常值处理数据统计数据概要理解,数量,分布,中位数数据可视化直观展示数据内涵数据挖掘从数据分析获得知 ...
seaborn 画图工具的基本使用
文章目录 1. Seaborn 的基本使用 1.1 Seaborn----绘制统计图形 1.1.1 绘制单变量分布 1.1.2. 绘制双变量分布 1 绘制散点图 2 绘制二维直方图 3 绘制核密度估计 ...
seaborn 常用画图
python seaborn画图以前觉得用markdown写图文混排的文字应该很麻烦,后来发现CSDN的markdown真是好用的. 在做分析时候,有时需要画几个图看看数据分布情况,但总记不住pyt ...
python画图包seaborn和matplotlib中文字体显示（针对windows系统,，使用ipython notebook）
一.seaborn的中文字体显示(针对windows系统,,使用ipython notebook) #################### 更新:2017年6月16日这次的seaborn版本是0. ...
seaborn单变量/双变量/多变量绘图
sns.regplot(x="属性1",y="属性2",data = dataframe) 首先导入库: import numpy as np import m ...

Seaborn 画图