Python可视化seaborn练习题

seaborn —— 课后练✋

%matplotlib inline
import numpy as np
import pandas as pd
from scipy import stats, integrate
import matplotlib as mpl
from matplotlib import pyplot as plt
import seaborn as sns

练习1：鸢尾花花型尺寸分析

• 鸢尾花萼片（sepal）和花瓣（petal）的大小关系（散点图）
• 不同种类（species）鸢尾花萼片和花瓣的分布情况（箱图或者提琴图）
• 鸢尾花萼片和花瓣大小的联合分布情况（六角箱图或者核密度估计）

data = sns.load_dataset("iris")
data.head()
# 萼片长度，萼片宽度，花瓣长度，花瓣宽度，种类

	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
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

data['sepal_size']=data['sepal_length']*data['sepal_width']
data['petal_size']=data['petal_length']*data['petal_width']

萼片与花瓣

sns.lmplot(x='sepal_size',y='petal_size',data=data)

<seaborn.axisgrid.FacetGrid at 0x7fea04b37550>

不同种类 萼片与花瓣分布

g = sns.PairGrid(data,
                 x_vars=["species"],
                 y_vars=["sepal_size", "petal_size"],
                 aspect=2, size=4)
g.map(sns.violinplot, palette="pastel");

萼片与花瓣大小联合分布

# your code
sns.jointplot(x='sepal_length',y='petal_length',data=data,kind='kde')

/opt/ds/local/lib/python2.7/site-packages/numpy/ma/core.py:6385: MaskedArrayFutureWarning: In the future the default for ma.minimum.reduce will be axis=0, not the current None, to match np.minimum.reduce. Explicitly pass 0 or None to silence this warning.
  return self.reduce(a)
/opt/ds/local/lib/python2.7/site-packages/numpy/ma/core.py:6385: MaskedArrayFutureWarning: In the future the default for ma.maximum.reduce will be axis=0, not the current None, to match np.maximum.reduce. Explicitly pass 0 or None to silence this warning.
  return self.reduce(a)





<seaborn.axisgrid.JointGrid at 0x7fe9fc6fd250>

练习2：餐厅小费情况分析

• 小费和总消费之间的关系（散点图+回归分析）
• 男性顾客和女性顾客，谁更慷慨（箱图或者提琴图）
• 抽烟与否是否会对小费金额产生影响（箱图或者提琴图）
• 工作日和周末，什么时候顾客给的小费更慷慨（箱图或者提琴图）
• 午饭和晚饭，哪一顿顾客更愿意给小费（箱图或者提琴图）
• 就餐人数是否会对慷慨度产生影响（箱图或者提琴图）
• 性别+抽烟的组合因素对慷慨度的影响（统计柱状图）

data = sns.load_dataset("tips")
data.head()
# 总消费，小费，性别，吸烟与否，就餐星期，就餐时间，就餐人数

	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
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

小费与总消费

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

<seaborn.axisgrid.FacetGrid at 0x7fe9ff3afed0>

小费：男性vs女性

sns.boxplot(y='tip',x='sex',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ff1651d0>

小费：抽烟vs不抽烟

sns.boxplot(y='tip',x='smoker',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fd4dac10>

小费：工作日vs周末

day=data['day'].unique()
day

[Sun, Sat, Thur, Fri] Categories (4, object): [Sun, Sat, Thur, Fri]

data_week=pd.DataFrame(('weekend' if x in ['Sun','Sat'] else 'weekday' for x in data.day),index=data.index,columns=['week'])
data_expand=pd.merge(data,data_week,left_index=True,right_index=True)
data_expand.head()

	total_bill	tip	sex	smoker	day	time	size	week
0	16.99	1.01	Female	No	Sun	Dinner	2	weekend
1	10.34	1.66	Male	No	Sun	Dinner	3	weekend
2	21.01	3.50	Male	No	Sun	Dinner	3	weekend
3	23.68	3.31	Male	No	Sun	Dinner	2	weekend
4	24.59	3.61	Female	No	Sun	Dinner	4	weekend

sns.boxplot(y='tip',x='week',data=data_expand)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ff533c10>

小费：午餐vs晚餐

sns.violinplot(x='time',y='tip',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ffcd35d0>

小费：就餐人数

sns.violinplot(x='size',y='tip',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ffef5650>

小费：性别+抽烟

# your code
sns.barplot(x='sex',y='tip',hue='smoker',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ff4e3d10>

练习3：泰坦尼克号海难幸存状况分析

• 不同仓位等级中幸存和遇难乘客的分布（箱图或者提琴图）
• 幸存和遇难乘客的票价分布（箱图或者提琴图）
• 幸存和遇难乘客的年龄分布（箱图或者提琴图）
• 不同上船港口的乘客仓位等级分布（箱图或者提琴图）
• 幸存和遇难乘客堂兄弟姐妹的数量分布（箱图或者提琴图）
• 幸存和遇难乘客父母子女的数量分布（箱图或者提琴图）
• 单独乘船与否和幸存之间的关系（统计柱状图）
• 乘客年龄和船票价格之间的关系（线性回归模型）
• 乘客性别和仓位等级之间的关系（统计柱状图）
• 乘客年龄和仓位等级之间的关系（带抖动的散点图）

data = sns.load_dataset("titanic")
data.head()
# 幸存与否，仓位等级，性别，年龄，堂兄弟姐妹数，父母子女数，票价，上船港口缩写，仓位等级，人员分类，是否成年男性，所在甲板，上船港口，是否幸存，是否单独乘船

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

幸存or遇难：不同仓位影响？

sns.violinplot(x='class',y='survived',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fcdcea50>

幸存or遇难：票价分布？

sns.violinplot(x='alive',y='fare',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fcd213d0>

幸存or遇难：年龄分布？

sns.violinplot(x='alive',y='age',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fcbd83d0>

不同上船港口的仓位等级分布

sns.violinplot(x='embark_town',y='pclass',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fcaa7690>

幸存or遇难：堂兄弟姐妹数量分布？

sns.violinplot(x='alive',y='sibsp',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fc9f41d0>

幸存or遇难：父母子女数量分布？

sns.violinplot(x='alive',y='parch',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fc944d10>

幸存or遇难：是否单独乘船？

# your code
sns.barplot(x='alone',y='survived',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fc632ad0>

年龄与票价的关系

sns.lmplot(x='age',y='fare',data=data)

<seaborn.axisgrid.FacetGrid at 0x7fe9fc5ba110>

性别与仓位等级

sns.barplot(x='sex',y='pclass',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fc508c10>

乘客年龄与仓位等级的关系

sns.lmplot(x='pclass',y='age',data=data,x_jitter=0.2)

<seaborn.axisgrid.FacetGrid at 0x7fe9fc499150>