数据可视化的利器-Seaborn简易入门

Seaborn是针对统计绘图的，一般来说，Seaborn能满足数据分析90%的绘图需求。本站整理的Seaborn的41个样例代码，在github进行分享，绝大部分数据可视化的问题可以参考这里的样例代码。

Matplotlib试着让简单的事情更加简单，困难的事情变得可能，而Seaborn就是让困难的东西更加简单。

Seaborn是针对统计绘图的，一般来说，Seaborn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。

用matplotlib最大的困难是其默认的各种参数，而Seaborn则完全避免了这一问题。

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. catplot() 分类图表的接口，其实是下面八种图表的集成，通过指定kind参数可以画出下面的八种图

  2. stripplot() 分类散点图

  3. swarmplot() 能够显示分布密度的分类散点图

  4. boxplot() 箱图

  5. violinplot() 小提琴图

  6. boxenplot() 增强箱图

  7. pointplot() 点图

  8. barplot() 条形图

  9. 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

  github地址：
  

  https://github.com/fengdu78/machine_learning_beginner/tree/master/seaborn

  主要内容：

  Jupyter notebook格式，Seaborn.ipynb包含共41个Seaborn的样例代码，只需要修改数据源就能画出类似下图这样的图表。

  （Seaborn内置了不少样例数据，为dataframe类型， 命令：df = sns.load_dataset("anscombe")即读取“anscombe”样例数据，如果要查看数据，可以使用类似df.head()命令查看，绘图的时候替换为自己的数据即可。）

  

  

  

  部分效果

  参考：

  http://seaborn.pydata.org/examples/index.html
  

  请关注和分享↓↓↓ 
  

  

  机器学习初学者
  

  QQ群：554839127

  （注意：本站有6个qq群，加入过任何一个的不需要再加）

  往期精彩回顾
  

  • 良心推荐：机器学习入门资料汇总及学习建议（2018版）
    

  • 黄海广博士的github镜像下载（机器学习及深度学习资源）

  • 吴恩达老师的机器学习和深度学习课程笔记打印版
    

  • 机器学习小抄-（像背托福单词一样理解机器学习）

  • 首发：深度学习入门宝典-《python深度学习》原文代码中文注释版及电子书

  • 科研工作者的神器-zotero论文管理工具

  • 机器学习的数学基础

  • 机器学习必备宝典-《统计学习方法》的python代码实现、电子书及课件

  • 吐血推荐收藏的学位论文排版教程（完整版）

  • 机器学习入门的百科全书-2018年“机器学习初学者”公众号文章汇总