小白也能看懂的seaborn入门示例

点击上方 “ AI派 ”， 选择“ 设为星标 ”

最新分享，第一时间送达！

作者：奔雷手，目前是名在校学生，当前主要在学习机器学习，也在做机器学习方面的助教，相对还是比较了解初学者学习过程的需求和问题，希望通过这个专栏能够广结好友，共同成长。 

编辑：王老湿

我们的 专栏发布后，目前已经更新了 5 篇：

1. ，

2. 

3. 

4. 

5. 

Seaborn就是让困难的东西更加简单。 它是针对统计绘图的，一般来说，能满足数据分析90%的绘图需求。 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，在大多数情况下使用seaborn就能做出很具有吸引力的图，应该把Seaborn视为matplotlib的补充，而不是替代物。

seaborn一共有5个大类21种图，分别是：

• Relational plots 关系类图表

1. relplot() 关系类图表的接口，其实是下面两种图的集成，通过指定kind参数可以画出下面的两种图

2. scatterplot() 散点图

3. lineplot() 折线图

• Categorical plots 分类图表

1. stripplot() 分类散点图

2. swarmplot() 能够显示分布密度的分类散点图

3. boxplot() 箱图

4. violinplot() 小提琴图

5. boxenplot() 增强箱图

6. pointplot() 点图

7. barplot() 条形图

8. countplot() 计数图

• Distribution plot 分布图

1. jointplot() 双变量关系图

2. pairplot() 变量关系组图

3. distplot() 直方图，质量估计图

4. kdeplot() 核函数密度估计图

5. rugplot() 将数组中的数据点绘制为轴上的数据

• Regression plots 回归图

1. lmplot() 回归模型图

2. regplot() 线性回归图

3. residplot() 线性回归残差图

• Matrix plots 矩阵图

1. heatmap() 热力图

2. clustermap() 聚集图

下面展现一下以上涉及的大部分绘图示例,所涉及参数均有注释,(可左右滑动代码段)在数据集符合要求的情况下,我们大多可以用一行代码实现绘图功能,相信看完示例后你就能初步掌握seaborn画图,如果对绘图要求更高的话,可以查询seaborn手册更改所画图类型的其他默认参数

%matplotlib inline
# 如果不添加这句，是无法直接在jupyter里看到图的
import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

set()重置默认的主题参数：darkgrid, whitegrid, dark, white, ticks。默认的主题darkgrid。

sns.set()

# 加载数据集Anscombe 看下数据
df = sns.load_dataset("anscombe")
df.head()

seaborn内置了不少样例数据，为dataframe类型，如果要查看数据，可以使用类似df.head()命令查看

lmplot(回归图)

lmplot是用来绘制回归图的，通过lmplot我们可以直观地总览数据的内在关系。

#显示每个数据集的线性回归结果,xy变量,col,hue定义数据子集变量,可以把它看作分类绘图依据
#data数据,col_wap列变量,ci置信区间,palette调色板,height高度,scatter_kws由散点连线
sns.lmplot(x="x", y="y", col="dataset", hue="dataset", data=df,
           col_wrap=2, ci=None, palette="muted", height=4,
           scatter_kws={"s": 50, "alpha": 1})

#多元线性回归 重置主题
sns.set()
# 加载iris dataset
iris = sns.load_dataset("iris")
#hue定义数据子集变量,可以把它看作分类绘图依据,truncate回归线
g = sns.lmplot(x="sepal_length", y