Python数据可视化-seaborn

详细介绍可以看seaborn官方API和example galler。

常用颜色：

常用样式：

1  set_style( )  set( )

set_style( )是用来设置主题的，Seaborn有五个预设好的主题： darkgrid , whitegrid , dark , white ,和 ticks  默认： darkgrid

  1. import matplotlib.pyplot as plt  
  2. import seaborn as sns  
  3. sns.set_style("whitegrid")  
  4. plt.plot(np.arange(10))  
  5. plt.show()  

set( )通过设置参数可以用来设置背景，调色板等，更加常用。
  1. import seaborn as sns  
  2. import matplotlib.pyplot as plt  
  3. sns.set(style="white", palette="muted", color_codes=True)     #set( )设置主题，调色板更常用  
  4. plt.plot(np.arange(10))  
  5. plt.show()  

2  distplot( )  kdeplot( )

distplot( )为hist加强版，kdeplot( )为密度曲线图 
  1. import matplotlib.pyplot as plt  
  2. import seaborn as sns  
  3. df_iris = pd.read_csv('../input/iris.csv')  
  4. fig, axes = plt.subplots(1,2)  
  5. sns.distplot(df_iris['petal length'], ax = axes[0], kde = True, rug = True)        # kde 密度曲线  rug 边际毛毯  
  6. sns.kdeplot(df_iris['petal length'], ax = axes[1], shade=True)                     # shade  阴影                         
  7. plt.show()  
  1. import numpy as np  
  2. import seaborn as sns  
  3. import matplotlib.pyplot as plt  
  4. sns.set( palette="muted", color_codes=True)  
  5. rs = np.random.RandomState(10)  
  6. d = rs.normal(size=100)  
  7. f, axes = plt.subplots(2, 2, figsize=(7, 7), sharex=True)  
  8. sns.distplot(d, kde=False, color="b", ax=axes[0, 0])  
  9. sns.distplot(d, hist=False, rug=True, color="r", ax=axes[0, 1])  
  10. sns.distplot(d, hist=False, color="g", kde_kws={"shade": True}, ax=axes[1, 0])  
  11. sns.distplot(d, color="m", ax=axes[1, 1])  
  12. plt.show()  

3  箱型图 boxplot( )

  1. import matplotlib.pyplot as plt  
  2. import seaborn as sns  
  3. df_iris = pd.read_csv('../input/iris.csv')  
  4. sns.boxplot(x = df_iris['class'],y = df_iris['sepal width'])  
  5. plt.show()  
plt.rc('font',family='SimHei',size=13)
#fliersize=1将异常点虚化，showmeans=True显示平均值，order表示按x轴显示进行排序
sns.boxplot(x='is_overdue',y='gjj_loan_balance',hue='education',hue_order=['HighSchool','Colege','University','Master','other'],data=df,showmeans=True,fliersize=1,order=['0','1-15','15-30','30-45','45+'])
plt.legend(loc='upper right')#图示靠右显示
plt.show

4  联合分布jointplot( )

  1. tips = pd.read_csv('../input/tips.csv')   #右上角显示相关系数  
  2. sns.jointplot("total_bill", "tip", tips)  
  3. plt.show()  
 
  1. tips = pd.read_csv('../input/tips.csv')  
  2. sns.jointplot("total_bill", "tip", tips, kind='reg')       
  3. plt.show()  

5  热点图heatmap( )

 internal_chars = ['full_sq', 'life_sq', 'floor', 'max_floor', 'build_year', 'num_room', 'kitch_sq', 'state', 'price_doc']
corrmat = train[internal_chars].corr()

f, ax = plt.subplots(figsize=(10, 7))
plt.xticks(rotation='90')
sns.heatmap(corrmat, square=True, linewidths=.5, annot=True)
plt.show()

 

 
6  散点图scatter( )
f, ax = plt.subplots(figsize=(10, 7))
plt.scatter(x=train['full_sq'], y=train['price_doc'], c='r')
plt.xlim(0,500)
plt.show()

 

Seaborn画散点图，以类别型的变量画散点图为例子：

sns.stripplot(x="day", y="total_bill", data=tips)

 

散射点通常会重叠。这使得我们很难看到完整的数据分布。一个简单的解决方法是使用一些随机的“抖动”来调整位置。

jitter参数说明：抖动量（仅沿类别的轴方向）。有许多点并且它们重叠时，很有用，更容易看到分布。可以指定抖动量（统一随机变量支持宽度的一半），或者只使用True作为良好的默认值

sns.stripplot(x="day", y="total_bill",jitter=True, data=tips)

 

也可使用 swarmplot(),避免散点重叠带分布的散点图

sns.swarmplot(x="day", y="total_bill", data=tips)

 

使用hue参数添加一个分类变量

sns.swarmplot(x="day", y="total_bill",hue='sex', data=tips)

7.pointplot画出变量间的关系

grouped_df = train_df.groupby('floor')['price_doc'].aggregate(np.median).reset_index()

plt.figure(figsize=(12,8))

sns.pointplot(grouped_df.floor.values, grouped_df.price_doc.values, alpha=0.8, color=color[2])

plt.ylabel('Median Price', fontsize=12)

plt.xlabel('Floor number', fontsize=12)

plt.xticks(rotation='vertical') plt.show()

8 pairplot( )

  1. import seaborn as sns  
  2. import matplotlib.pyplot as plt  
  3. iris = pd.read_csv('../input/iris.csv')  
  4. sns.pairplot(iris, vars=["sepal width", "sepal length"],hue='class',palette="husl")    
  5. plt.show()  
 

9  FacetGrid( )

facetGrid可以根据类别特征各种不同组合进行显示，下面就是根据婚姻与学历情况进行分成了10组，横（row）的表示按婚姻分类显示，竖（col）的表示按学历分类显示
grid=sns.FacetGrid(df,row='martial_status',col='education',palette='seismic',size=4)
grid.map(plt.scatter,'gjj_loan_balance','max_overduer_days')
grid.add_legend()
plt.show()

 

 

10  barplot( )

f, ax=plt.subplots(figsize=(12,20))

#orient='h'表示是水平展示的，alpha表示颜色的深浅程度
sns.barplot(y=group_df.sub_area.values, x=group_df.price_doc.values,orient='h', alpha=0.8, color='red')

#设置y轴、X轴的坐标名字与字体大小
plt.ylabel('price_doc', fontsize=16)
plt.xlabel('sub_area', fontsize=16)

#设置X轴的各列下标字体是水平的
plt.xticks(rotation='horizontal')

#设置Y轴下标的字体大小
plt.yticks(fontsize=15)
plt.show()

注：如果orient='v'表示成竖直显示的话，一定要记得y=group_df.sub_area.values, x=group_df.price_doc.values调换一下坐标轴，否则报错

 

f, ax=plt.subplots(figsize=(12,20))
sns.barplot(y='area', x='fre',data=df_idcard_city,orient='h', color='red')
plt.ylabel('地域', fontsize=16)
plt.xlabel('频数', fontsize=16)
plt.xticks(rotation='horizontal')
plt.yticks(fontsize=15)
plt.show()

 

 

sns.barplot(x="day", y="tip", data=tips, estimator=median)
estimator：表示生成柱状图要调用的函数，同一个x的值是取中位数，还是mean，sum，或者计数(计数的话就等于countplot)
有多种函数可以调用：np.median,np.mean,np.sum,np.count_nonzero(计数)
hue：分组统计

 

11.countplot () 计数并画成柱状图

sns.countplot(x="deck", data=titanic, palette="Greens_d")

 

也可以加hue参数再分类计数。

12、sns.relplot() 

 可视化统计量间的关系（relationship），可以绘制出曲线图，也可以绘制出散点图。

 默认是散点图

sns.relplot(x='total_bill', y='tip', data=tips)

 

sns.relplot(x='total_bill', y='tip',  data=tips, hue='sex')

 

#style表示显示的形状，形状上和hue分别区分显示

sns.relplot(x='total_bill', y='tip',  data=tips, hue='size',style='sex')

 

#用size参数显示大小

sns.relplot(x='total_bill', y='tip', data=tips, hue='sex', size='size')

 

显示曲线图

sns.relplot(x="timepoint", y="signal", data=fmri, kind="line",ci='sd') #ci用来控制显示聚合的阴影，不显示则为None即可。

 

sns.relplot(x="timepoint", y="signal", data=fmri, kind="line",hue="event")

sns.relplot(x="timepoint", y="signal", style="region", kind="line", data=fmri)

 

sns.relplot(x='timepoint', y='signal', hue='subject', col='region', row='event', height=3, kind='line', estimator=None, data=fmri)

参考：https://blog.csdn.net/u013317445/article/details/88175366

 

13、分面网格分类图

sns.catplot(x='day', y='tip', hue='sex', col='time', data=tips)

 

sns.catplot(x='day', y='tip', hue='sex', col='time', kind ='violin', data=tips)

sns.catplot(x='day', y='tip', hue='sex', col='time', row='smoker', data=tips)

 

sns.catplot(x='day', y='tip', hue='sex', col='size', kind="bar", data=tips)

 

其它图

bar图

import matplotlib.pyplot as plt
import numpy as np
plt.rc('font', family='SimHei', size=13)

num = np.array([13325, 9403, 9227, 8651])
ratio = np.array([0.75, 0.76, 0.72, 0.75])
men = num * ratio
women = num * (1-ratio)
x = ['聊天','支付','团购\n优惠券','在线视频']

width = 0.5
idx = np.arange(len(x))
plt.bar(idx, men, width, color='red', label='男性用户')
plt.bar(idx, women, width, bottom=men, color='yellow', label='女性用户')  #这一块可是设置bottom,top，如果是水平放置的，可以设置right或者left。
plt.xlabel('应用类别')
plt.ylabel('男女分布')
plt.xticks(idx+width/2, x, rotation=40)

#bar图上显示数字

for a,b in zip(idx,men):

    plt.text(a, b+0.05, '%.0f' % b, ha='center', va= 'bottom',fontsize=12)
for a,b,c in zip(idx,women,men):
    plt.text(a, b+c+0.5, '%.0f' % b, ha='center', va= 'bottom',fontsize=12)

plt.legend()
plt.show()

 

 双Y轴绘图

 本例主要用dataframe的两个列进行双Y轴画图

eng_name,chn_name,GDP,rate
a, 中国,100,0.6
b,美国,180,0.3
c,日本,80,0.2
d,瑞典,65,0.15
f,荷兰,56,0.23

 

#读取的时候，讲索引列变为chn_name,这样画图时候X轴自动为索引
df=pd.read_csv('b.csv',index_col='chn_name')
df.index.name='国家'#这样x轴的label就变成‘国家了’。

plt.rc('font', family='SimHei', size=13)
plt.figure()  
df['GDP'].plot(kind='bar')  
plt.ylabel('GDP')  
plt.title('国家发展情况对比')  
  
p = df['rate']  
p.plot(color='black',secondary_y=True,style='--o',linewidth=2)  #style--表示虚线，-表示实线
plt.ylabel('增长速度')

　x=[0,1,2,3,4]#因为x轴是汉字，所以默认对应的数值是从0开始的
　for a,b in zip(x,p):
　　plt.text(a+0.1, b+0.02, '%.2f' % b, ha='center', va= 'bottom',fontsize=12)

 

education=df.education.value_counts()
df_education=pd.DataFrame({'education':education.index[1:],'fre':education.values[1:]})
df_education.index=df_education.education
plt.figure()  
df_education.fre.plot(kind='bar')  
plt.ylabel('人数')
plt.xlabel('学历') 
plt.title('学历分布情况')
plt.show()

 

画饼状图

import numpy as np    
import matplotlib.mlab as mlab    
import matplotlib.pyplot as plt
#根据value_counts（）结果画饼图

phone=df.phone_operator.value_counts()
df_phone=pd.DataFrame({'phone_operator':phone.index[1:],'fre':phone.values[1:]})



plt.rc('font', family='SimHei', size=13)
fig = plt.figure()  
plt.pie(df_phone.fre,labels=df_phone.phone_operator,autopct='%1.2f%%') #画饼图（数据，数据对应的标签，百分数保留两位小数点）  
plt.title("手机运营商分布")  
plt.show()


 






Seaborn画多个子图 




 




来源：http://blog.csdn.net/qq_34264472/article/details/53814653


 也可以参考：http://seaborn.pydata.org/tutorial/distributions.html


知乎专栏关于seaborn的：https://zhuanlan.zhihu.com/p/27570774






            

            
posted @ 
2017-04-26 10:04 
光彩照人 
阅读(104387) 
评论(3) 
编辑 
收藏 
举报