【数据分析4seaborn绘图】

已于 2023-08-07 21:05:39 修改
阅读量380 收藏 2
点赞数
分类专栏： 数据分析 图表美化 数据分析美化 文章标签： 数据分析 matplotlib python
于 2023-01-18 16:47:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Four2017/article/details/128726538
版权

seaborn绘图


导入相关库 

import numpy as np
import pandas as pd
import os
os.chdir(r'/Python/数据分析')
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
plt.figure(figsize=(12,9))
plt.rcParams['font.sans-serif']=['Songti SC']#中文显示
plt.rcParams['axes.unicode_minus']=False#显示正负号
sns.set(style='darkgrid',context='notebook',font_scale=1.5)#font_scale=1.5坐标轴的刻度大小
# 忽略告警信息
import warnings
warnings.filterwarnings("ignore")

sns.set(style,context,palette)

style——主题样式 (darkgrid(灰白背景+网格) whitegrid(白白背景+灰网格) dark white ticks带坐标轴刻度)
context——可以理解为设置输出图片元素的大小尺寸paper，notebook, talk, and poster (元素缩放)
palette——调色板 deep, muted, pastel, bright, dark, colorblind一般可以用默认值

颜色

sns.barplot条形图/柱状图

导入数据

air_data=pd.read_csv(r'./data/air_data.csv')
data=pd.DataFrame(air_data['FFP_TIER'].value_counts())#value_counts()计数
data=data.reset_index()
data.columns=['Membership_level','Number_of_members']#设置列名
data.columns=['会员卡等级','用户数量']#修改列名

plt.style.use('seaborn')
# 支持中文显示
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.rcParams['axes.unicode_minus'] = False
plt.bar(x=data['会员卡等级'],height =data['用户数量'],color = 'goldenrod')
plt.ylabel('用户数量',fontsize=12)
plt.xticks([4,5,6],['等级4','等级5','等级6'])#打标签
plt.title('不同会员卡等级的用户数量',fontsize =15)

在这里插入图片描述

# 调用seaborn第二种方法
import seaborn as sns
sns.set() # 设置背景
# 支持中文显示
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.rcParams['axes.unicode_minus'] = False
plt.bar(x=data['会员卡等级'],height =data['用户数量'],color = 'steelblue')
plt.ylabel('业务数量',fontsize=12)
plt.xticks([4,5,6],['等级4','等级5','等级6'])#打标签
plt.title('不同会员卡等级的用户数量',fontsize =15)
plt.show()

分类柱状图hue

data_1 = pd.pivot_table(data = air_data,index =['FFP_TIER','GENDER'],values ='MEMBER_NO',aggfunc='count')
data_1.reset_index(inplace = True)
dengji  =['等级4','等级5','等级6']
sns.barplot(x = 'FFP_TIER',y = 'MEMBER_NO',hue='GENDER',data=data_1,color='blue',palette="husl",
            orient ='vertical')
plt.ylabel('会员人数')
plt.xlabel('')
plt.xticks(np.arange(3),dengji)
plt.title('不同性别不同会员卡等级的用户数量',fontsize = 15,pad=20)
plt.legend(loc='upper right',ncol=1, frameon=False, #是否要边框
      fontsize=12)

在这里插入图片描述

sns.histplot直方图

Age_male=air_data.AGE[air_data.GENDER=='男']
Age_female=air_data.AGE[air_data.GENDER=='女']
sns.set(style='darkgrid',context='notebook',font_scale=1.3) # 设置背景
# 支持中文显示
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.rcParams['axes.unicode_minus'] = False
sns.histplot(Age_male, bins = 30,kde = True, label = '男性年龄分布图')
plt.title('年龄分布图')
# 显示图例
plt.legend()

在这里插入图片描述

核密度图sns.distplot

sns.set(style='darkgrid',context='notebook',font_scale=1.2) # 设置背景
# 支持中文显示
plt.rcParams['font.sans-serif'] = ['Songti SC']
#plt.figure(figsize=(16,9))
sns.distplot(Age_Male, hist=False, kde = True, kde_kws = {'color':'steelblue'}, norm_hist=True, label = '男性年龄分布图')
sns.distplot(Age_Female, hist=False, kde = True, kde_kws = {'color':'red'}, norm_hist=True, label = '女性年龄分布图')
plt.title('年龄分布图')
# 显示图例
plt.legend()

在这里插入图片描述

sns.lineplot折线图

ax=sns.lineplot()
start,end=ax.get_xlim()
ax.set_xticks(np.arange(start,end,100))
air_data['FFP_DATE']=pd.to_datetime(air_data['FFP_DATE'],format='%Y/%m/%d',errors='coerce')
data=air_data.groupby(air_data['FFP_DATE'].dt.year).sum()
data=data[['FLIGHT_COUNT','SEG_KM_SUM']]
data=data.reset_index()
plt.figure(figsize=(16,9))
sns.lineplot(data=data,x='FFP_DATE',y='FLIGHT_COUNT',lw=2,color='red')
plt.ylabel('flight numbers')
plt.xlabel('year')

sns.lmplot回归图

sns.lmplot(data=data,x='FLIGHT_COUNT',y='SEG)_KM_SUM',legend_out=False,markers='o',fit_reg=True,aspect=1.3,height=8,scatter_kws={'s':20,'facecolor':'red'})
plt.title('The relationship between flights and mileage')

sns.scatterplot散点图

sns.scatterplot(data=air_data,x='FLIGHT_COUNT',y='SEG_KM_SUM',color='coral',marker='*',s=50)
plt.title('The relationship between number of flights and mileage')
plt.xlabel('The number of flights')
plt.ylabel('mileage')

分类散点图

颜色不同hue

plt.figure(figsize=(12,9))
sns.scatterplot(x = 'FLIGHT_COUNT',y = 'SEG_KM_SUM',data = air_data,hue='GENDER',
                color="coral", marker='o',s=20)
plt.xlabel('飞行次数')
plt.ylabel('总飞行公里数')
plt.title('不同性别的飞行次数和总飞行公里数关系图')

在这里插入图片描述

形状不同

plt.figure(figsize=(12,9))
sns.scatterplot(data=air_data,x='FLIGHT_COUNT',y='SEG_KM_SUM',marker='*',s=100,style='GENDER')#style='GENDER'形状不同
plt.title('The relationship between number of flights and mileage')
plt.xlabel('The number of flights')
plt.ylabel('mileage')

sns.boxplot箱线图

画箱线图不能有缺失

air_data.dropna(subset='AGE',inplace=True)
sns.boxplot(dat=air_data,y='AGE',showmeans=True,color='steelblue',width=0.3,linewidth=2,
            flierprops={'marker':'o','markerfacecolor':'red','markersize':5},
            meanprops={'marker':'D','maekerfacecolor':'darkred','markersize':7},
            medianprops={'linestyle':'--','color':'orange'})
plt.xlabel('')
plt.ylabel('age')

分类变量箱线图

sns.boxplot(x= 'GENDER', y = 'AGE', data = air_data,
             showmeans=True,color = 'steelblue',width =0.3, linewidth=2,
            flierprops = {'marker':'o','markerfacecolor':'red', 'markersize':3},
            meanprops = {'marker':'D','markerfacecolor':'indianred', 'markersize':4},
            medianprops = {'linestyle':'--','color':'orange'})
# 更改x轴和y轴标签
plt.xlabel('')
plt.xticks(fontsize=12)# 旋转45度
plt.ylabel('年龄')# 添加标题
plt.title('不同性别下的年龄箱线图')

在这里插入图片描述

sns.countplot计数图

# 绘制不同区域订单数量
plt.figure(figsize=(4,3))
sns.countplot(x ='FFP_TIER',data = air_data)
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.ylabel('用户数量')
plt.xlabel('会员卡级别')
plt.title('不同会员卡级别下的用户数量')

在这里插入图片描述

分组计数hue

sns.set(palette='colorblind')

# 以订单数据为例
sns.set(style='darkgrid',context='notebook',font_scale=1.0,palette='colorblind') 
# 支持中文显示
sns.countplot(x ='FFP_TIER',data = air_data,hue ='GENDER')
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.ylabel('用户数量')
plt.xlabel('会员卡级别')
plt.title('不同会员卡级别下的男女用户数量')

在这里插入图片描述

多图

一句命令同时画多个变量的直方图

train_data[['shop_id','item_id','item_price','item_cnt_day']].hist(bins=150,figsize=(9,7),grid=True)

1行2列的图

fig1,ax=plt.subplots(1,2,figsize=(10,5),dpi=100)
train_data.item_price.plot(ax=ax[0])
train_data.item_cnt_day.plot(ax=ax[1])

1行3列的图

fig,azx=plt.subplot(ncols=3,figsize=(20,4))
fig.suptitle('Category Statistics')
sns.histplot(ax=ax[0],data=sales_train,x='item_category_id',bins=item_catogories.shape[0],
             binrange=(min(item_categories['item_category_id']),max(item_categories['item_category_id'])))
sns.histplot(ax=ax[1],data=sales_train,x='item_category_id',weights=sales_train['item_price'],bins=item_categories.shape[0],
             binrange=(min(item_categories['item_category_id']),max(item_categories['item_category_id'])))
sns.barplot(ax=ax[2],data=sales_train,x='item_category_id',y='item_price',palette='mako')#palette='mako'颜色
ax[1].set_ylabel('Total price')
ax[2].set_ylabel('Avg Price')
ax[2].set_xticks(ticks=[0,20,40,60,80])

2行3列的图

plt.subplots(2,3,figsize=(20,10))
ax[0][0]  
ax[0][1]
ax[0][2]
ax[1][0]
ax[1][1]
ax[1][2]

2行2列的图

fig,((ax0,ax1),(ax2,ax3))=plt.subplots(2,2,figsize=(15,10),sharex=False)
ax0.scatter(train['family'],train['sales'])
ax1.scatter(train['dcoilwtico'],train['sales'],color='green')
ax2.scatter(train['cluster'],train['sales'],color='blue')
ax3.scatter(train['store_nbr'],train['sales'],color='red')
ax0.set_xlabel('family',fontsize=17)
ax1.set_xlabel('oil price',fontsize=17)
ax2.set_xlabel('cluster',fontsize=17)
ax3.set_xlabel('store number',fontsize=17)
ax0.set_ylabel('sales',fontsize=17)
ax1.set_ylabel('')
ax2.set_ylabel('')
ax3.set_ylabel('')
好好学习_rich
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python可视化 | Seaborn5分钟入门（二）——barplot&countplot&pointplot
Python读财
12-16 2万+
微信公众号：Python读财 如有问题或建议，请公众号留言 Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。 注：所有代码均在IPython notebook中实现 ba...
sns.barplot（）画柱状图的用法
m0_64237758的博客
02-25 6946
一、导入数据 二、画柱状图 获取不同‘City_Category’下不同‘Gender’的‘Occupation’的均值 sns.barplot(x = 'City_Category', y = 'Occupation', data = data10,hue='Gender') 指定数据集data，x轴，y轴，如果x轴标签对应y轴有多个数据，则取平均值，同时显示标准差。 hue表示x轴按’Gender’分类显示 三、柱状图显示 由于A类的M类别下有多个Occupation的值，因此对多个值去平均
Python的seaborn和matplotlib作图之barplot条形图高级实战DIY技巧详解
轻舟已过万重山的博客
03-11 3324
前言 昨天在浏览www.hltv.org网站的csgo选手数据时看到了这样一幅图，图上包含有选手的六项数据，分别为KPR（平均每回合击杀），DPR（平均每回合死亡），KAST（助攻综合百分比），IMPACT（影响力），ADR（平均每回合输出），Rating 2.0（综合得分），从这图上可以看出KPR，DPR，IMPACT和RATING2.0为同一类型的输出（保留两位小数），KAST以百分比输出，ADR的范围在0到100多之间，它们是不同量纲的数据，但是图上却有一条灰色的平均线，同时，数据的大小影响到了该数
python sns绘制回归线_数据分析最有用的Top 50 Matplotlib图（带有完整的Python代码）(上)...
weixin_39581896的博客
11-27 532
CSDN博客作者：zsx_yiyiyi编辑：python大本营50个Matplotlib图的汇编，在数据分析和可视化中最有用。此列表允许您使用Python的Matplotlib和Seaborn库选择要显示的可视化对象。1.关联散点图带边界的气泡图带线性回归最佳拟合线的散点图抖动图计数图边缘直方图边缘箱形图相关图矩阵图2.偏差发散型条形图发散型文本发散型包点图带标记的发散型棒棒糖图面积图3...
Python中15种Seaborn可视化图表详解
白帽阿叁的博客
10-17 1963
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。cat图(分类图的缩写)是Seaborn中的定制的一种图，它可以可视化数据集中一个或多个分类变量与连续变量之间的关系。Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。“小提琴”形状表示数据的核密度估计，每个点的形状宽度表示该点的数据密度。
python数据分析与可视化
04-27
Python数据分析与可视化资源描述 Python数据分析与可视化领域拥有丰富的资源，这些资源为数据科学家、分析师和开发者提供了强大的支持。 首先，Python拥有众多强大的数据分析库，如Pandas、Numpy和SciPy等。Pandas...
python数据分析与可视化.docx
最新发布
06-01
在Python中，数据分析和可视化是两个非常重要的领域，它们为处理和理解数据提供了强大的工具。以下是一些推荐的资源，帮助你在这两个领域取得进步： 1. Pandas：Pandas是Python中用于数据分析和操作的强大库。它提供...
Python数据分析实战与运用之数据分析篇
03-10
Python数据分析实战与运用之数据分析篇 Python数据分析实战与运用之数据分析篇是基于真实场景的数据Peter Li课程，课程定位三大方面：零基础学员或者有一定基础学员、大中院校学生、在职从事数据分析相关工作以及...
Python数据分析实践：气温数据热力图.pdf
06-14
础上，还需要对数据进行清洗和整理，关于这部分是做任何数据分析或可视化都必经的 坎。详细可以通过下面的代码来了解： 步骤一：数据采集 In [1]: import datetime import calendar import requests from bs4 import...
Python中的set_xticks和set_xticklabels用法（附代码解释）
热门推荐
wzk4869的博客
07-30 4万+
Python中的set_xticks和set_xticklabels用法（附代码解释）
barplot参数 python_Python可视化 | Seaborn5分钟入门(二)——barplot&countplot&pointplot
weixin_30060575的博客
01-17 1146
微信公众号：「Python读财」如有问题或建议，请公众号留言Seaborn是基于matplotlib的Python可视化库。 它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。注：所有代码均在IPython notebook中实现barplot(条形图)条形图表示...
python-seaborn库数据可视化{直方图、散点图、箱线图、变量关系图、热力图、条形图}
weixin_57501965的博客
08-31 1789
seaborn是在matplotlib的基础上进行了更加高级的封装，可以更加方便画出各种精美、方便分析数据的图表。本文主要将常见的6种{直方图、散点图、箱线图、变量关系图、热力图、条形图}进行一个学习总结说明，并附上代码及图片展示。这里附上绘画颜色所对应的英文字母，方便后续修改颜色配置。...
Python数据可视化-seaborn使用
一颗偏执的心
05-22 7812
详细介绍可以看seaborn官方API和example galler。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  import matplotlib.pyplot as plt  import sea...
Seaborn的调色板（palette）
data+scenario+science+insight
05-06 5705
Seaborn的调色板（palette） Seaborn可以很容易地使用适合数据特征和可视化目标的颜色。本章讨论了指导您选择的一般原则和帮助您快速找到给定应用程序的最佳解决方案的seaborn工具。 由于我们眼睛的工作方式，一种特定的颜色可以用三个成分来定义。我们通常通过指定RGB值在计算机中对颜色进行编程，该值设置显示中的红、绿、蓝通道的强度。但要分析颜色的感知属性，最好从色相、饱和度和亮度通道的角度考虑。 色相（hue）是非技术意义上区分“不同颜色”的组件。它的颜色属性导致了像“红色”和“蓝.
可视化神器Seaborn的超全介绍
数据森麟
01-03 6001
作者：Huangwei AI 来源：Python与机器学习之路基本信息Seaborn是一个用Python制作统计图形的库。它建立在matplotlib之上，并与pand...
python 之seaborn库的基础使用（5种常用图形的使用）
qq_22592457的博客
12-05 1876
画图中，常用的图形有直方图、条形图、分类柱形图、散点图、盒图。（其实还有一个折线图，但是在写的时候发现，sns.lineplot、sns.ggplot这些函数一个都用不了，so，折线图就不说了） 一、直方图 这个图形的作用，就是你输入一个单变量数据，它会告诉你这个数据集中数据的分布情况，并且你可以自定义划分为若干区间。 seaborn.distplot(a, bins=None, hist=...
Python数据分析：seaborn
weixin_33974433的博客
01-14 720
seaborn是python中的一个非常强大的数据可视化库，它集成了matplotlib，下图为seaborn的官网，如果遇到疑惑的地方可以到官网查看。http://seaborn.pydata.org/ 从官网的主页我们就可以看出，seaborn在数据可视化上真的非常强大。 1.首先我们还是需要先引入库，不过这次要用到的python库比...
seaborn 的 countplot 计数直方图，可以分类别显示（通过 hue 参数指定）
李威威的博客
10-09 1万+
显示中文： from matplotlib.font_manager import FontProperties font = FontProperties(fname='/Library/Fonts/Kaiti.ttc', size=20) countplot 显示计数直方图 使用 subplots 绘制多个子图 f, [ax1, ax2, ax3] = plt.subplots(1, 3...
python数据科学系列：seaborn入门详细教程
wy122222222的博客
07-01 4564
01 初始seaborn seaborn是python中的一个可视化库，是对matplotlib进行二次封装而成，既然是基于matplotlib，所以seaborn的很多图表接口和参数设置与其很是接近。相比matplotlib而言，个人认为seaborn的几个鲜明特点如下： 绘图接口更为集成，可通过少量参数设置实现大量封装绘图 多数图表具有统计学含义，例如分布、关系、统计、回归等 对Pandas和Numpy数据类型支持非常友好 风格设置更为多样，例如风格、绘图环境和颜色配置等 正是由于seaborn的这些特
matplotlib绘图和seaborn绘图的区别
09-13
Matplotlib和Seaborn是两个常用的Python绘图库。Matplotlib是一个功能强大且广泛使用的库，它提供了丰富的绘图功能和灵活的配置选项，使用户能够创建各种类型的图形。Seaborn则是Matplotlib的一个定制版，它在Matplotlib的基础上进行了封装和简化，使得绘图更加轻松和美观。 区别在于： 1. 简单性：Seaborn相对于Matplotlib更加简单易用，它提供了一些高级的绘图函数和预设样式，使得用户可以通过使用少量的参数来实现复杂的图形。相比之下，Matplotlib的配置选项更多，需要用户手动进行设置和调整，因此在配置上会相对繁琐一些。 2. 默认样式：Seaborn具有更加美观和现代化的默认样式，使得绘制的图形更加吸引人。而Matplotlib的默认样式相对较为简单和传统。 3. 绘图类型：Matplotlib提供了更多类型的绘图选项，包括折线图、散点图、柱状图、饼图等等。而Seaborn主要专注于统计数据可视化，提供了一些特殊的绘图类型，如分布图、箱线图、热力图等，更适合于数据分析和探索。 4. 配色方案：Seaborn提供了一系列优雅的配色方案，使得绘图更加美观和易于区分。而Matplotlib的配色方案相对较少，用户可能需要手动指定自定义的配色方案。 综上所述，Seaborn相对于Matplotlib来说更加简单易用，拥有更美观的默认样式和优雅的配色方案，适合于快速绘制美观的数据可视化图形。而Matplotlib则提供了更多类型的绘图选项和灵活的配置功能，适合于定制化和高级绘图需求。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值