Python可视化数据------seaborn

可以看链接：https://blog.csdn.net/unixtch/article/details/78820654

1、import seaborn as sns

2、seaborn的主题风格（5种）：如黑底、白底、要格子、不要格子等。sns.set_style("dark")

（1）sns.set()：想使用seaborn默认样式可以采用set函数，

（2）seaborn预先定义了5中主题样式，以适合不同场景需要，分别是：darkgrid, whitegrid, dark, white, 和ticks，默认是darkgrid。

（3）sns.despine(left=True)：默认值将上面和右边的轴去掉。然后left的轴也被隐藏起来了

sns.despine(offset=10)：将图与轴之间距离设置10，即从10距离处才画图

（4）想要多个子图不同风格可以用  with sns.axes_style

plt.subplot(211)的风格为darkgrid，plt.subplot((212)不一样

with  sns.axes_style('darkgrid'):
    plt.subplot(211)
    plt.plot(x,y)
    plt.show()
plt.subplot((212)
plt.plot(x,y)
plt.show()

 

3、seaborn的图样式（4种）：sns.set_context("paper")

seaborn预定义了4种图表的样式定义，分别是：paper（小）、talk（大）、poster（较大）、notebook（更大），默认是notebook

（1）sns.set_context("notebook",font_scale=1.5,rc={"lines.linewidth":2.5})

轴的字体大小设置为1.5，线的宽度为2.5

4、调色板

（1）color_palette()能传入任何Matplotlib所支持的颜色，不写参数则默认颜色

（2）set_palette()，设置所有图的颜色。

 

（3）使用xkcd设置颜色命名：sns.skcd_rgb['名字']

 5、分布图：

（1）绘制单变量的数据分布图：distplot()

①数据分布情况：sns.distlpot(x,kde=False,fit=stats.gamma)【fit参数使用了gamma分布拟合】

（2）散点图：sns.jointplot(x='x标签名字',y='y标签名字',data=df))【该函数可以把两个变量之间的散点图关系画出来，还会把自身的柱状图画出来】

（3）六边图：sns.jointplot（kind="hex")：该图可以看出数据量分布情况，常用在数据量较大的情况，颜色越深表示数据量多。

（4）回归分析图：变量之间两两分析   sns.pairplot(数据名)

柱状图为变量自身的分析，散点图为两两之间的。

replot()和Implot()都可以绘制回归关系，推荐使用replot()

sns.regplot(x="size", y="tip", data=tips, x_jitter=.05)：x_jitter=.05将离散点（分类值）进行一个小范围的波动，更利于画回归图。

（5）多变量分析图：stripplot(x=' ',y=' ',data =df)

重叠解决办法：加上jitter=True，将数据偏一下，易于观察。

swarmplot

• 与stripplot类似，只是数据点不会重叠 (适合小数据量)

（6）盒图：找离群点：sns.boxplot()

（7）小提琴图：violinplot（）用于显示数据分布及其概率密度。

中间的黑色粗条表示四分位数范围，从其延伸的幼细黑线代表 95% 置信区间，而白点则为中位数。

 

 （8）柱状图：sns.barplot(x,y,hue,data)

countplot 计数图

countplot 故名思意，计数图，可将它认为一种应用到分类变量的直方图，也可认为它是用以比较类别间计数差，调用 count 函数的 barplot。

（9）点图：pointplot()点图可以更好的描述变化差异。

 

（10）多层面板分类图：factorplot()   可以通过这个函数绘制以上几种图

（11）热度图：heatmap()：显示数据趋势，常用的方式是：画出特征与特征之间的相关系数，然后放入heatmap中画出趋势观察。

heatmap（annot=True,fmt='d')annot参数是在颜色重显示数据，fmt是数据显示的格式，一般添加上。有很多参数，可以参考notebook文档。