seaborn学习笔记（五）：绘制多子图

In [1]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

In [2]:

sns.set()

In [3]:

iris = sns.load_dataset('iris', data_home='.')

In [4]:

iris.head(2)

Out[4]:

 

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa

 

1 一图多绘¶

一图多绘是指在同一个坐标系绘制多个图表，这种方法原理是因为每个轴级绘图方法返回值都是AxesSubplot类实例，且每个轴级绘图方法都有ax参数可以接收一个AxesSubplot类实例进行指定坐标绘图：

In [5]:

axesSub = sns.boxplot(x='species', y='sepal_length', data=iris)
axesSub = sns.stripplot(x='species', y='sepal_length', data=iris, ax=axesSub)  # ax=axesSub，指定坐标性, 在之前箱型图基础上，继续绘制条带图
axesSub = sns.lineplot(x='species', y='sepal_length', data=iris, ax=axesSub)  # ax=axesSub，指定坐标性, 在之前箱型图基础上，继续绘制折线图

 

 

2 ax：指定子图坐标系¶

这个方法在此前介绍各绘图方法时，也有介绍并多次使用过，那就是各轴级绘图方法的ax参数传递坐标系，这种方法配合matplotlib的subplots()方法，是我认为最灵活，可定制化程度最高的一种多子图绘图方法，可以实现每一个子图都绘制不同种类的图表：

In [6]:

fig, ax =plt.subplots(1,3,constrained_layout=True, figsize=(12, 3))
axesSub = sns.boxplot(x="species", y="sepal_length", data=iris, ax=ax[0])
axesSub.set_title('boxplot')
axesSub = sns.stripplot(x="species", y="sepal_length", data=iris, ax=ax[1])
axesSub.set_title('stripplot')
axesSub = sns.histplot(x="sepal_length", data=iris, ax=ax[2])
_ = axesSub.set_title('histplot')

 

 

3 PairGrid：成对关系网格子图¶

PairGrid用于绘制数据集中成对关系的子图网格。此类将数据集中的每个变量映射到多个轴的网格中的列和行。可以使用不同的轴级绘图函数来绘制上三角和下三角的双变量图，并且对角线上可以显示每个变量的边际分布。它还可以通过hue参数用不同颜色绘制不同的数据子集来表示附加级别的条件化。这使用颜色来解析第三维的元素，但只是在彼此之上绘制子集，并且不会像接受hue的轴级函数那样为特定可视化定制hue参数。

 

• hue:将绘图的不同面映射为不同的颜色
• hue_order：字符串组成的list，设置hue后设置各颜色顺序
• hue_kws：要插入到绘图调用中的其他关键字参数，以使其他绘图属性在色调变量的不同级别（例如散点图中的标记）之间变化。例如按颜色使用不同标记，hue_kws={"marker": ["o", "s", "D"]}
• palette:调色板
• vars: 同时指定x轴、y轴绘图字段，否则使用所有数值型字段
• x_vars：指定x轴绘图字段
• y_vars：指定y轴绘图字段
• height标量，可选，每个刻面的高度（以英寸为单位）
• aspect：标量，可选,aspect 和 height 的乘积得出每个刻面的宽度（以英寸为单位）
• despine：布尔值，可选,从图中移除顶部和右侧外边框。
• dropna：布尔值，可选,在绘图之前删除数据中的缺失值。

 

3.1 map方法：指定绘图方法¶

PairGrid所有参数中，只有data是必传参数，实例化时，seaborn会根据传入数据集的各个字段情况，绘制n行n列个坐标系，但仅限于绘制坐标系，坐标系中并未有任何图像，后续需通过调用map方法指定绘图方法后才会完成绘图。注意，在map方法文档中明确说明，此方法的作用是用同一方法在所有子图进行绘图，所以PairGird类绘图的所有子图，都是同类图表。

PairGrid类实例化时，只传递data参数，则绘制所有字段的子图，继续通过map方法传递sns.scatterplot作为绘图方法绘制散点图，当然，也可以传入其他绘图方法，绘制其他图形。在对角线上的图形，由于x轴和y轴都是同一字段，所以图形呈45度角直线，但并无实际意义。

In [7]:

g=sns.PairGrid(iris)
g=g.map(sns.scatterplot)

 

 

3.2 hue：根据指定字段绘制不同颜色图形¶

 

在实例化PairGrid类时，通过指定hue参数，可以根据字段绘制不同颜色图像，不过注意，默认情况下是没有图例的，后续需要调用add_legend()添加图例：

In [8]:

g=sns.PairGrid(iris, hue="species")
g=g.map(sns.scatterplot)
g = g.add_legend()  # 手动添加图例

 

 

3.3 vars：指定字段绘图¶

In [14]:

g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"])
g = g.map(sns.scatterplot)

 

 

3.3 height：指定子图高度¶

In [13]:

g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"],height=1.5)
g = g.map(sns.scatterplot)

 

 

3.4 g.map_diag()和g.map_offdiag()：指定对角线和非对角线的绘图方法¶

g.map_diag()和g.map_offdiag()是与g.map类似的方法，区别在于g.map_diag()用于指定对角线上子图绘图方法，g.map_offdiag()用于指定非对角线上绘图方法，而g.map一次性指定所有子图绘图方法。

例如，非对角线绘制散点图，对角线上绘制直方图，可以这么做：

In [15]:

g = sns.PairGrid(iris)
g.map_offdiag(sns.scatterplot)  #指定非对角线绘图类型为散点图
g.map_diag(sns.histplot)  #指定对角线绘图类型为直方图

Out[15]:

<seaborn.axisgrid.PairGrid at 0x202d1d6f970>

 

 

无论是g.map，还是g.map_offdiag和g.map_diag，都可以传递指定的绘图方法本身的参数，对图形进行设置：

In [24]:

g = sns.PairGrid(iris)
g.map_offdiag(sns.scatterplot)  #指定非对角线绘图类型为散点图
g.map_diag(sns.histplot, color='red', element="step")  #指定对角线绘图类型为直方图

Out[24]:

<seaborn.axisgrid.PairGrid at 0x202d502a820>

 

 

3.5 g.map_upper和g.map_lower：指定上三角和下三角的绘图方法¶

In [28]:

g = sns.PairGrid(iris, hue="species")
g.map_diag(sns.histplot)  #指定对角线绘制直方图
g = g.map_upper(sns.scatterplot)  # 指定上三角绘制散点图
g = g.map_lower(sns.kdeplot)  # 指定下三角绘制核密度图

 

 

4 FacetGrid：多面网格子图¶

 

FacetGrid通过row, col, hue三个参数，最多从三个维度对数据进行分组，然后通过map方法指定绘图方法和x轴，y轴字段进行绘图，主要参数如下：

 

• row, col, hue：定义数据子集的变量，这些数据将绘制在网格中的不同面上。row（行）纵向，col（列）横向，hue：颜色
• col_wrap：每行最多显示子图个数
• height标量，可选，每个刻面的高度（以英寸为单位）
• aspect：标量，可选,aspect 和 height 的乘积得出每个刻面的宽度（以英寸为单位）
• despine：布尔值，可选,从图中移除顶部和右侧外边框。
• dropna：布尔值，可选,在绘图之前删除数据中的缺失值。
• palette：颜色面板
• row_order：字段显示顺序
• col_order：字段显示顺序
• hue_order：字段显示顺序
• hue_kws：要插入到绘图调用中的其他关键字参数，以使其他绘图属性在色调变量的不同级别（例如散点图中的标记）之间变化。例如按颜色使用不同标记，hue_kws={"marker": ["o", "s", "D"]}

In [30]:

tips = sns.load_dataset('tips')

In [31]:

tips.head(2)

Out[31]:

 

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3

 

4.1 col, row, hue：分组统计字段¶

In [46]:

g = sns.FacetGrid(tips, col="time",  row="sex")
g.map(sns.histplot, "total_bill")

Out[46]:

<seaborn.axisgrid.FacetGrid at 0x202d927a430>

 

In [41]:

g = sns.FacetGrid(tips, col="time",  row="sex")
g.map(sns.scatterplot, "total_bill", "tip")

Out[41]:

<seaborn.axisgrid.FacetGrid at 0x202d8a7c310>

 

 

col="time", row="sex"仅表示分组统计的字段，左上角图表示按time、sex两个字段进行分组统计后，sex值为Male，time值为Launch的这一部分数据，以total_bill为x轴数据，以tip为y轴数据进行绘图。当然，可以只指定col或row，还可以添加hue。当使用了hue之后，建议通过add_legend()方法添加图例：

In [36]:

g = sns.FacetGrid(tips, col="sex", hue="smoker")
g.map(sns.scatterplot, "total_bill", "tip")
g = g.add_legend()

 

 

4.2 col_wrap：每行最多显示子图个数¶

In [48]:

g = sns.FacetGrid(tips, col="size", hue="smoker", col_wrap=4)  # 每行最多显示4个子图，所以分两行显示了，第二行2个子图
g.map(sns.scatterplot, "total_bill", "tip")
g = g.add_legend()

 

 

4.3 height, aspect：指定子图高度、宽高比¶

In [54]:

g = sns.FacetGrid(tips, col="day", height=2.5, aspect=1.5)
g.map(sns.histplot, "total_bill")

Out[54]:

<seaborn.axisgrid.FacetGrid at 0x202db5fc1f0>

 

 

4.4 g.refline：添加辅助线¶

In [55]:

g = sns.FacetGrid(tips, col="time", margin_titles=True)
g.map_dataframe(sns.scatterplot, x="total_bill", y="tip")
g.refline(y=tips["tip"].median())

 

 

4.5 添加文本说明¶

In [56]:

def annotate(data, **kws):
    n = len(data)
    ax = plt.gca()
    ax.text(.1, .6, f"N = {n}", transform=ax.transAxes)

g = sns.FacetGrid(tips, col="time")
g.map_dataframe(sns.scatterplot, x="total_bill", y="tip")
g.map_dataframe(annotate)

Out[56]:

<seaborn.axisgrid.FacetGrid at 0x202d5bd2670>