Python统计可视化Seaborn学习

最新推荐文章于 2023-08-09 16:01:59 发布
最新推荐文章于 2023-08-09 16:01:59 发布
阅读量1.7k 收藏 14
点赞数 2
分类专栏： Python学习 文章标签： python 数据可视化
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/chardman/article/details/113835577
版权

Seaborn 是基于 matplotlib 开发的高阶 Python 数据可视图库，用于绘制优雅、美观的统计图形。

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

from datetime import datetime
np.random.seed(1031)

# 定义一组颜色
r_hex = '#dc2624'     # red,       RGB = 220,38,36
dt_hex = '#2b4750'    # dark teal, RGB = 43,71,80
tl_hex = '#45a0a2'    # teal,      RGB = 69,160,162
r1_hex = '#e87a59'    # red,       RGB = 232,122,89
tl1_hex = '#7dcaa9'   # teal,      RGB = 125,202,169
g_hex = '#649E7D'     # green,     RGB = 100,158,125
o_hex = '#dc8018'     # orange,    RGB = 220,128,24
tn_hex = '#C89F91'    # tan,       RGB = 200,159,145
g50_hex = '#6c6d6c'   # grey-50,   RGB = 108,109,108
bg_hex = '#4f6268'    # blue grey, RGB = 79,98,104
g25_hex = '#c7cccf'   # grey-25,   RGB = 199,204,207

# 可以将上面自定义颜色设置为 seaborn 里调色板
color = ['#dc2624', '#2b4750', '#45a0a2', '#e87a59',
         '#7dcaa9', '#649E7D', '#dc8018', '#C89F91', 
         '#6c6d6c', '#4f6268', '#c7cccf']
sns.set_palette( color )

1 深度了解 Seaborn

假设我们要创建一个智能手机应用程序，从智能手机拍摄的照片中自动识别花的种类。 我们正在与一个数据科学家团队合作，该数据科学主管负责创建一个演示机器学习模型，测量花的萼片长度 (sepal length)，萼片宽度 (sepal width)，花瓣长度 (petal length) 和花瓣宽度 (petal width) 四个变量，并根据这些测量识别物种。

根据当地研究人员测量的每种鸢尾花的四个数据 (萼片长/宽和花瓣长/宽)，我们最终目的是想正确的分类这三种花。但重中之重的第一步是数据处理，有了干净数据之后再来机器学习很容易。

但怎么处理数据有时候更像一门艺术而不像一门科学。接下来会从

  • 检查数据
  • 清理数据
  • 测试数据

三方面来探索，在其过程中当然会借助 Seaborn。

1.1 检查数据

即便是政府或银行，他们公布的数据也有错误。在花费太多时间分析数据之前，提早检查并修正这些错误能节省大量时间。一般来说，我们希望回答以下问题：

  1. 数据格式有什么问题吗？
  2. 数据数值有什么问题吗？
  3. 数据需要修复或删除吗？

数据格式

# 首先用 pandas 读取 csv 文件并将数据存成 DataFrame 格式。
iris_data = pd.read_csv( 'iris-data.csv', na_values=['NA'] ) 
iris_data.head(10)
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
05.13.51.40.2Iris-setosa
14.93.01.40.2Iris-setosa
24.73.21.30.2Iris-setosa
34.63.11.50.2Iris-setosa
45.03.61.40.2Iris-setosa
55.43.91.70.4Iris-setosa
64.63.41.40.3Iris-setosa
75.03.41.5NaNIris-setosa
84.42.91.4NaNIris-setosa
94.93.11.5NaNIris-setosa

函数 read_csv() 里面用到的两个参数

  • 第一个 filename 是读取 csv 文件名
  • 第二个参数用来把 csv 里面空白处用 NaN 代替

Hadley Wickhan 对干净数据的定义是，每一列代表一个特征；每一行代表一个样例。

  • 数据的第一行定义了列标题，标题的描述足以让我们了解每个列代表的内容 (萼片长度，萼片宽度，花瓣长度和花瓣宽度)，标题甚至给我们记录测量的单位 (cm, 厘米)
  • 第一行之后的每一行代表一个花的观测数据：四个测量指标和一个类 (class)，它告诉我们花的种类。比如前 10 个都是山鸢尾花 (注意第 8 到 10 个的花瓣宽度没有数据，用 NaN 来表示)。

数据统计

# 检查数据的分布可以识别异常值。我们从数据集的汇总统计数据开始。
iris_data.describe()
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cm
count150.000000150.000000150.000000145.000000
mean5.6446273.0546673.7586671.236552
std1.3127810.4331231.7644200.755058
min0.0550002.0000001.0000000.100000
25%5.1000002.8000001.6000000.400000
50%5.7000003.0000004.3500001.300000
75%6.4000003.3000005.1000001.800000
max7.9000004.4000006.9000002.500000
  • describe() 函数的产出每列数据的个数 (count)，均值 (mean)，标准差 (std)，最小值 (min)，25, 50 和 75 百分位数 (25%, 50%, 75%) 和最大值 (max)。50 百分位数也就是中位数 (median)。
  • 从该表中看到几个有用的值。 例如，我们看到缺少 5 条花瓣宽度的数据 (表里 count 那一行的萼片长度，萼片宽度和花瓣长度的个数都是 150 个，唯独花瓣宽度是 145 个)。

此外，这样的表给不了太多有用信息，除非我们知道数据应该在一个特定的范围 (如萼片长度的最小值是 0.055, 和它其他指标如均值和几个百分位数都不是量纲的，很有可能是测量错误)。

# 可以直接用图观察这个数据表
sns.pairplot(iris_data.dropna(), hue='class')  

c:\users\ibm\appdata\local\programs\python\python37\lib\site-packages\seaborn\distributions.py:306: UserWarning: Dataset has 0 variance; skipping density estimate.
  warnings.warn(msg, UserWarning)
c:\users\ibm\appdata\local\programs\python\python37\lib\site-packages\seaborn\distributions.py:306: UserWarning: Dataset has 0 variance; skipping density estimate.
  warnings.warn(msg, UserWarning)
c:\users\ibm\appdata\local\programs\python\python37\lib\site-packages\seaborn\distributions.py:306: UserWarning: Dataset has 0 variance; skipping density estimate.
  warnings.warn(msg, UserWarning)
c:\users\ibm\appdata\local\programs\python\python37\lib\site-packages\seaborn\distributions.py:306: UserWarning: Dataset has 0 variance; skipping density estimate.
  warnings.warn(msg, UserWarning)

在这里插入图片描述

上面 pairplot() 函数里

  • 第一个参数 iris_data.dropna() 就是除去 NaN 的数据表，这么做原因很简单，图里不可能显示的出 NaN 值的。
  • 第二个参数 hue = ‘class’ 就是根据类 (class) 下不同的值赋予不同的颜色 (hue 就是色彩的意思) 。

前四列 (萼片长度，萼片宽度，花瓣长度和花瓣宽度) 可看成自变量，第五列 (类) 可看成因变量。

配对图 (pairplot) 绘制前四列变量的关系图，而且用不同颜色区分不同的类下面的这四个变量。 从上图可知，横轴纵轴都有四个变量，那么总共可以画出 16 (4*4) 张小图。

  • 对角线上的 4 张都是某个变量和自身的关系，用分布图 (dist plot)。
  • 非对角线的 12 张就是某个变量和另一个变量的关系，用散点图 (scatter plot)。比如第一行第二列的图描述的就是萼片长度 (看纵轴第一个 sepal_length_cm 字样) 和萼片宽度 (看横轴第二个 sepal_width_cm 字样)。

数据集上存在一些问题：

  1. 图的右侧标注这五个类 (Iris-setosa, Iris-setossa, Iris-versicolor, versicolor, Iris-virginica)，但原本要分类的花只有三类 (Iris-setosa, Iris-versicolor, Iris-virginica)。这意味着在记录数据时可能会犯下一些错误。

  2. 在测量中有一些明显的异常值可能是错误的。

    • 第二行的图 1-2-4 (或第二列的图1-2-4)，对于 Iris-setosa，一个萼片宽度 (sepal_width) 值落在其正常范围之外。
    • 第一行后三张图 (或第一列后三张图)，对于 Iris-versicolor，几个萼片长度 (sepal_length) 值都接近零。

修正数据：数据类别

问题1：按理说鸢尾花应该只有三类，而图中却显示有五类。
  • 忘记在 Iris-versicolor 之前添加 Iris-
  • 在 Iris-setossa 中多打了一个 s
iris_data.loc[iris_data['class']=='versicolor', 'class'] = 'Iris-versicolor' # 将 versicolor 改为 Iris-versicolor
iris_data.loc[iris_data['class']=='Iris-setossa', 'class'] = 'Iris-setosa' # 将 Iris-setossa 改为 Iris-setosa
iris_data['class'].unique() # 将 Iris-setossa 改为 Iris-setosa

array(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'], dtype=object)

sns.pairplot(iris_data.dropna(), hue='class')  

<seaborn.axisgrid.PairGrid at 0x21a40547128>

在这里插入图片描述

修正数据：异常值

问题 2：山鸢尾花的一个萼片宽度值落在其正常范围之外。

修正异常值 (outliers) 是一件棘手的事情。因为我们很难判断异常值是否由测量误差引起，或者是不正确的单位记录数据，或者是真正的异常。如果我们决定排除任何数据，需要记录排除的数据并提供排除该数据的充分理由。

cond = (iris_data['class'] == 'Iris-setosa') & (iris_data['sepal_width_cm'] < 2.5)
iris_data.loc[cond]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
414.52.31.30.3Iris-setosa

用数据表里的 loc[] 切片来找到类为 Iris-setoa 并且 sepal width 小于 2.5 的所有行。最后发现只有一个这样的数据，因此可以直接删除此数据。

iris_data = iris_data.loc[~cond]
iris_data.loc[iris_data['class'] == 'Iris-setosa', 'sepal_width_cm'].hist()

<AxesSubplot:>

在这里插入图片描述

从上面条形图也看到了再没有这个异常值 (小于 2.5 厘米的点)。

问题 3：变色鸢尾花的几个萼片长度值接近与零。

所有这些接近零的 sepal_length_cm 似乎错位了两个数量级，好像它们的记录单位米而不是厘米。

# 找出sepal_length_cm小于1的数据
cond = (iris_data['class'] == 'Iris-versicolor') & (iris_data['sepal_length_cm'] < 1.0)
iris_data.loc[cond]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
770.0673.05.01.7Iris-versicolor
780.0602.94.51.5Iris-versicolor
790.0572.63.51.0Iris-versicolor
800.0552.43.81.1Iris-versicolor
810.0552.43.71.0Iris-versicolor

将萼片长度乘以 100 倍，从单位米换成单位厘米，然后画出其条形图。

iris_data.loc[cond, 'sepal_length_cm'] *= 100.0 # 乘以100

iris_data.loc[iris_data['class'] == 'Iris-versicolor', 'sepal_length_cm'].hist()

<AxesSubplot:>

在这里插入图片描述

修正数据：缺失值

对于NaN 这样的缺失值 (missing value)。通常我们有两种方式来处理这类数据。

  1. 删除 (deletion)
  2. 插补 (imputation)

在本例中删除不是理想的做法，所有缺失的值都属于 Iris-setosa类，直接删除可能会对日后数据分析带来偏差。此外，可以用插补方法，其最常见的方法平均插补 (mean imputation)。其做法就是“假设知道测量的值落在一定范围内，就可以用该测量的平均值填充空值”。

# 首先查看缺失值在 DataFrame 哪个位置。
iris_data.loc[(iris_data.sepal_length_cm.isnull()) |
              (iris_data.sepal_width_cm.isnull()) | 
               (iris_data.petal_length_cm.isnull()) |
              (iris_data.petal_width_cm.isnull()), :]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
75.03.41.5NaNIris-setosa
84.42.91.4NaNIris-setosa
94.93.11.5NaNIris-setosa
105.43.71.5NaNIris-setosa
114.83.41.6NaNIris-setosa
# 然后用 mean() 求出其宽度的平均值，用其将 NaN 值全部代替，最后打印出那 5 行插补后的 DataFrame。
mean_petal_width = iris_data.loc[iris_data['class']=='Iris-setosa' ,'petal_width_cm'].mean(skipna=True)
iris_data.loc[(iris_data.sepal_length_cm.isnull()) |
              (iris_data.sepal_width_cm.isnull()) | 
               (iris_data.petal_length_cm.isnull()) |
              (iris_data.petal_width_cm.isnull()), 'petal_width_cm'] = mean_petal_width

iris_data.loc[(iris_data['class']=='Iris-setosa') & (iris_data.petal_width_cm==mean_petal_width)]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
75.03.41.50.25Iris-setosa
84.42.91.40.25Iris-setosa
94.93.11.50.25Iris-setosa
105.43.71.50.25Iris-setosa
114.83.41.60.25Iris-setosa
# 经过了修正类别、异常值和缺失值后，最后来看看基于干净数据画的「配对图」
sns.pairplot( iris_data,  hue='class' )

<seaborn.axisgrid.PairGrid at 0x21a40a5f6a0>

在这里插入图片描述

Seaborn也可以更换配色

  • 用 set_style() 选五种风格：darkgrid, whitegrid, dark, white 和 ticks .
  • 用 set_palette() 六种调色盘：deep, muted, pastel, bright, dark 和 colorblind

在这里插入图片描述

sns.set(style='ticks')
sns.pairplot( iris_data,  hue='class' )

<seaborn.axisgrid.PairGrid at 0x21a40441a20>

在这里插入图片描述

1.2 无标签的图

假设我们不知道数据标签是什么 (无监督学习里的聚类问题)，那么画出来的「配对图」是单色调的。

sns.pairplot( iris_data )

<seaborn.axisgrid.PairGrid at 0x21a407752b0>

在这里插入图片描述

1.3 带标签的图

如果我们知道数据标签 (有监督学习里的分类问题)，那么画出来的「配对图」是多色调的，只需把 hue 变量设置成 DataFrame 数据里的标签名

sns.pairplot( iris_data, hue='class' )

<seaborn.axisgrid.PairGrid at 0x21a44cff0b8>

在这里插入图片描述

1.4 设置色板

# 将风格设置为 dark (背景变成灰色)，色板设置成 husl。
sns.set_style('dark')
sns.pairplot( iris_data, hue='class', palette='husl' )

<seaborn.axisgrid.PairGrid at 0x21a46a4ec50>

在这里插入图片描述

husl 其实就是一个色彩系统，取 10 个样本颜色展示如下：

sns.palplot( sns.color_palette('husl',10) )

在这里插入图片描述

1.5 设置标记

将风格设置为 darkgrid (背景变成带网格的灰色)，色板设置成 colorblind 为色盲用户着想，甚至将不同类用圆形 (o)、正方形 (s) 和方块 (D) 来标记。

sns.set_style('darkgrid')
sns.set_palette('colorblind')
sns.pairplot( iris_data, hue='class',markers=['o','s','D'] )

<seaborn.axisgrid.PairGrid at 0x21a47576160>

在这里插入图片描述

1.6 子集图

如果我们不想展示所有变量之间的关系图，我们可以选择子集图。将风格设置为 whitegrid (背景变成带网格的白色)，并将横轴和纵轴赋予相同的子集变量 (都是 vars)

sns.set_style('whitegrid')
sns.pairplot( iris_data, 
              vars=['sepal_width_cm', 'sepal_length_cm'] )

<seaborn.axisgrid.PairGrid at 0x21a480a32e8>

在这里插入图片描述

# 将风格设置为 white (背景变成白色)，并将横轴和纵轴赋予不同的子集变量
sns.set_style('white')
sns.pairplot( iris_data, 
              x_vars=['sepal_width_cm', 
                      'sepal_length_cm'],
              y_vars=['petal_width_cm', 
                      'petal_length_cm']);

在这里插入图片描述

1.7 线性回归图

pairplot() 除了画出变量之间的关系图，通过设置里面参数 kind = ‘reg’，还可在非对角图上对那些散点做线性回归。

sns.set_style('ticks')
sns.set_palette('dark')
sns.pairplot( iris_data, kind='reg' )

<seaborn.axisgrid.PairGrid at 0x21a4808bf60>

在这里插入图片描述

1.8 核密度图

pairplot() 除了画出变量之间的关系图，通过设置里面参数 diag_kind = ‘kde’，还可在对角图上对那些直方图的点做核密度估计 (KDE, kernel density estimation)，该技巧在做平滑数据时用到。

sns.set_palette('bright')
sns.pairplot( iris_data, diag_kind='kde' )

<seaborn.axisgrid.PairGrid at 0x21a485beba8>

在这里插入图片描述

2 广度了解 Seaborn

# 首先加载 Titanic 的数据。
titanic = sns.load_dataset("titanic")
titanic.head(3).append(titanic.tail(3))
survivedpclasssexagesibspparchfareembarkedclasswhoadult_maledeckembark_townalivealone
003male22.0107.2500SThirdmanTrueNaNSouthamptonnoFalse
111female38.01071.2833CFirstwomanFalseCCherbourgyesFalse
213female26.0007.9250SThirdwomanFalseNaNSouthamptonyesTrue
88803femaleNaN1223.4500SThirdwomanFalseNaNSouthamptonnoFalse
88911male26.00030.0000CFirstmanTrueCCherbourgyesTrue
89003male32.0007.7500QThirdmanTrueNaNQueenstownnoTrue

Titanic 数据集是非常适合数据科学和机器学习新手入门练习的数据集，它包含 1912 年泰坦尼克号沉船事件中一些乘客的个人信息以及存活状况。

在这里插入图片描述

# 使用自定义的调色板
sns.set_palette( color )
sns.palplot( sns.color_palette(color,11) )

在这里插入图片描述

2.1 条形图

# 对于男性和女性 (x='sex')，根据不同船票各等舱 (hue='class')，统计其生还率 (y='survived')。用颜色区分舱的等级。
sns.barplot( x='sex', 
             y='survived',
             hue='class',
             data=titanic )

<AxesSubplot:xlabel='sex', ylabel='survived'>

在这里插入图片描述

值得注意的是，条形图不仅显示点估计值 (point estimate)，还显示了置信区间 (confidence interval)，即黑色线条。

由图可知，做一等舱和二等舱的女人生还率最高，三等舱的女人也比一等舱的男人生还率高。

2.2 计数图

# 统计每层客舱 (x='deck') 里的人数。
sns.countplot(x='deck',data=titanic)

<AxesSubplot:xlabel='deck', ylabel='count'>

在这里插入图片描述

2.3 点图

# 统计每等舱 (x=‘class’) 不同性别 (hue='sex‘) 的生还率 (y='survived')。用颜色区分性别。
sns.pointplot( x='class',
               y='survived',
               hue='sex',
               data=titanic,
               markers=['^','o'],
               linestyles=['-','--'] )

<AxesSubplot:xlabel='class', ylabel='survived'>

在这里插入图片描述

点图也显示点估计和置信区间，由图可知，在各等舱中，女性生还率高于男性生还率高。

2.4 箱形图

# 统计在生还和死亡 (x='alive') 成年和未成年男性 (hue='adult_male') 的年龄分布 (y='age')。用颜色区分是否成年。
sns.boxplot( x='alive',
             y='age',
             hue='adult_male',
             data=titanic )

<AxesSubplot:xlabel='alive', ylabel='age'>

在这里插入图片描述

2.5 小提琴图

# 统计在男性和女性 (x='sex') 两类里生还和死亡 (hue='survived') 的年龄分布 (y='age')。用颜色区分生还率。
sns.violinplot( x='sex',
                y='age',
                hue='survived',
                data=titanic )

<AxesSubplot:xlabel='sex', ylabel='age'>

在这里插入图片描述

2.6 箱形水平图

# 画出萼片长度，萼片宽度，花瓣长度和花瓣宽度的箱形图 (横向)。可以用这个图来找异常值。
sns.boxplot( data=iris_data, 
             orient='h' )

<AxesSubplot:>

在这里插入图片描述

2.7 双变量分布图

# 设置 kind =‘kde’ 用双变量分布图画出萼片长度和萼片宽度的一维分布。
sns.jointplot( x='sepal_length_cm', y='sepal_width_cm',
                data=iris_data,
                kind='kde')

<seaborn.axisgrid.JointGrid at 0x21a4c16ceb8>

在这里插入图片描述

#设置 kind =‘kde’ 用双变量分布图画出萼片长度和萼片宽度的线性关系。这时的分布用直方图表示。
sns.jointplot( x='sepal_length_cm', y='sepal_width_cm',
                data=iris_data,
                kind='reg')

<seaborn.axisgrid.JointGrid at 0x21a4c292be0>

在这里插入图片描述

3 总结

Seaborn 就是 Matplotlib 的升级版，底层绘图逻辑和元素层级就不用再重复了。

Seaborn 比 Matplotlib 强大的三个地方就是：

  • 代码简单，基本都是一句话 (one-liner) 就可以画出变量之间统计关系图
  • 能够处理分类 (categorical) 变量 (不仅仅只能处理连续变量)
  • 颜色更加丰富好看 (不过这个看个人喜好)
chardman
关注
  • 2
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Python数据可视化库Seaborn
06-14
Python数据可视化库Seaborn，通过学习本教程，可以快速掌握Seaborn可视化操作。本案例中结合泰坦尼克号，鸢尾花数据，国际航班飞行数据 Python数据可视化库Seaborn，通过学习本教程，可以快速掌握Seaborn可视化操作...
18_2Reinforcement Learning_\r_end=““_Deep Q-Learning_Double DQN_Dueling DQN_TF-Agents
Linli522362242的专栏
07-31 1554
Deep Q-Learning Variants
macos Seaborn.load_dataset()加载数据集失败解决方法
chengzi0602的博客
08-09 519
load_dataset() 调用失败解决办法 报错原因：seaborn 数据集 本地seaborn-data不存在，而且url在线库调用seaborn 数据集，调用不成功 解决办法：将 线上库中的seaborn 数据集，保存到本地seaborn-data
数据分析之seaborn画图
若云流风的专栏
01-04 6563
数据分析之seaborn画图
2021_KDD_Socially-Aware Self-Supervised Tri-Training for Recommendation
weixin_46645827的博客
01-30 1284
[论文阅读笔记]2021_KDD_Socially-Aware Self-Supervised Tri-Training for Recommendation 论文下载地址： https://doi.org/10.1145/3447548.3467340 发表期刊：KDD Publish time: 2021 作者及单位: Junliang Yu The University of Queensland Brisbane, [email protected] 数据集： 代码： htt
解决fasterrcnn训练警告UserWarning
weixin_45103604的博客
05-11 8393
解决警告UserWarning: torch.meshgrid: in an upcoming release, it will be required to 。。。。 解决方法： 将return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined] 修改为return _VF.meshgrid(tensors, **kwargs, indexing = ‘ij’) # type: ignore[attr-defined]，警告解除 ———
seaborn可视化绘图工具使用手册
weixin_43822124的博客
03-03 1206
seaborn使用版本：0.11.1 本文介绍了seaborn的使用接口，以及常用的长款表转换方法 import seaborn as sns sns.__version__ '0.11.1' import matplotlib.pyplot as plt import pandas as pd import numpy as np Seaborn的使用结构 seaborn的借口都是扁平的，都通过seaborn.xx()调用 但是借口之间有上下级关系，存在着彼此调用 seaborn的绘图.
seaborn学习笔记（五）：绘制多子图
chb4715的博客
02-23 6619
html { font-family: sans-serif; -ms-text-size-adjust: 100%; -webkit-text-size-adjust: 100% } body { margin: 0 } article, aside, details, figcaption, figure, footer, header, hgroup, main, menu, nav, s...
【pytorch】一个DataSet问题的解决
凤凰于飞
11-06 2530
pytorch数据加载
python seaborn_python绘图之美：seaborn统计数据可视化
weixin_39902085的博客
11-26 469
Seaborn是一个基于matplotlib的Python数据可视化库。它提供了一个高级界面，用于绘制具有吸引力和信息丰富的统计图形。Seaborn旨在使可视化成为探索和理解数据的核心部分。它的面向数据集的绘图函数对包含整个数据集的数据流和数组进行操作，并在内部执行必要的语义映射和统计聚合以生成信息图。seaborn提供的功能包括：检查多个变量之间的关系支持使用分类变量来显示观察结果或汇...
数据可视化之Seaborn绘图
smallpot1992的博客
04-24 2605
知识结构 Seaborn简介 话不多说，我们首先来欣赏几张 Seaborn 绘制的图形，一睹为快。 是不是很酷炫？学习完Seaborn的相关内容，你也可以轻松地画出这样的图。 Seaborn 是 Python 中基于 matplotlib 的统计绘图模块。如果说 matplotlib 是“tries to make easy things easy and hard things pos...
python数据可视化之Seaborn（三）
01-20
python数据可视化之Seaborn（一） 第二节分享了连续、分类、离散数据的绘图颜色的方法，可点击链接查看。 python数据可视化之Seaborn（二） Seaborn可视化内容安排 在Seaborn的学习中安排如下， 一、画风设置：会...
python seaborn heatmap可视化相关性矩阵实例
09-16
主要介绍了python seaborn heatmap可视化相关性矩阵实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
【天科飞桨团实战项目】基于Yolov5的手势识别-baseline
m0_63642362的博客
05-12 615
本项目为天津科技大学百度飞桨领航团培训专用项目，主要用于帮助飞桨团成员熟悉aistudio平台，了解飞桨训练模型全过程！
Pytorch自定义Dataset和DataLoader去除不存在和空的数据
热门推荐
AI吃大瓜的博客
06-07 1万+
Pytorch自定义Dataset和DataLoader去除不存在和空的数据 【源码GitHub地址】：https://github.com/PanJinquan/pytorch-learning-tutorials/tree/master/image_classification/utils 觉得可以，麻烦给个”Star“ 目录 Pytorch自定义Dataset和DataLoader去...
cp7_SelectModel_Ensemble Learning_MajorityVoteClassifier_weight_logistic_get_params_bagging_transAxe
Linli522362242的专栏
11-26 1935
In the previous chapter, we focused on the best practices for tuning and evaluating different models for classification. In this chapter, we will build upon those techniques and explore different methods for constructing a set of classifiers that can ...
Seaborn-PairGrid
宁静致远
05-31 4692
#seaborn %matplotlib inlineimport pandas as pd import numpy as np import seaborn as sns from sklearn import preprocessing import matplotlib.pyplot as plt np.random.seed(sum(map(ord, "aesthetics"))) def
Seaborn案例展示
王斯的博客
08-04 265
Seabron与matplotlib的对比 import matplotlib.pyplot as plt import numpy as np import pandas as pd x = np.linspace(0,10,500) y = np.cumsum(np.random.randn(500,6),axis=0) with plt.style.context('classic'): plt.plot(x,y) plt.legend("ABCDEF",ncol=2,loc='
python数据可视化seaborn
最新发布
09-14
Seaborn是Python中的一种数据可视化库，它提供了一些高级功能以创建各种各样的统计图表。通过Seaborn，用户可以轻松地创建各种类型的图表，包括散点图、直方图、核密度估计图、箱线图等等。Seaborn的特点之一是它的...

“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 1
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