Matplotlib绘制一张美图需要很多参数调整,于是就出现了high-level版的Seaborn,几行代码即可输出美美的图形,那么Seaborn是如何做到的?
Seaborn主要有两种图形实现方法Figure水平「下图绿色格子中所有方法,如jointplot、JointGrid」、Axes水平「如stripplot、swarmplot等」,本文梳理Seaborn主要结构,助快速掌控Seaborn👇
![ef0f744c69486ef4103fed8f044135bf.png](https://i-blog.csdnimg.cn/blog_migrate/93e39ece42e0ff7516c0c0fbe567f975.png)
Figure水平方法
此时,通过seaborn.axisgrid.FacetGrid
对象作图,以displot
为例,
单个图
import seaborn as sns
import pandas as pd
penguins = sns.load_dataset("penguins")#导入数据
g = sns.displot(data=penguins,
x="flipper_length_mm",
hue="species",
multiple="stack",
kind="hist")#一行代码出图
sns.set(style='whitegrid', font_scale=1.2)
print(type(g))
\<class 'seaborn.axisgrid.FacetGrid'>
# 注意此处g对象类型
多子图
Figure水平多子图一行代码搞定,
sns.displot(data=penguins, x="flipper_length_mm", hue="species", col="species")
![3d2976984ca748f0b9c6545e28eedf53.png](https://i-blog.csdnimg.cn/blog_migrate/c9c007b66c6f9e8cefe96a5f4706de51.png)
矩阵图 (pairplot)
sns.pairplot(data=penguins, hue="species")
![53dd65e62150b2cde906ce7bd3d92424.png](https://i-blog.csdnimg.cn/blog_migrate/907464d0dfcd0031b04d0f14767372d0.png)
矩阵图 (PairGrid)
PairGrid
可使矩阵图更加个性化,
g = sns.PairGrid(penguins, diag_sharey=False)
g.map_upper(sns.scatterplot) #右上角做散点图
g.map_lower(sns.kdeplot) #左下角做等高线图
g.map_diag(sns.histplot) #中间做直方图
![209fffacaa22010f9b00d4dc3b253f51.png](https://i-blog.csdnimg.cn/blog_migrate/5d8f744a1ca84a55085858ada73eff8f.png)
Axes水平方法
此时,直接在matplotlib.axes._subplots.AxesSubplot
对象上作图,以hisplot
为例,
单个图
import seaborn as sns
import pandas as pd
penguins = sns.load_dataset("penguins")
g = sns.histplot(data=penguins,
x="flipper_length_mm",
hue="species",
multiple="stack")
sns.set(style='whitegrid', font_scale=1.2)
print(type(g))
\<class matplotlib.axes._subplots.AxesSubplot>
# 注意此处g对象类型
![50e274949c196da1587ba1bf001ca737.png](https://i-blog.csdnimg.cn/blog_migrate/13520115455affdbb4559e897471798d.png)
多子图
比较繁琐,
import matplotlib.pyplot as plt
f, axs = plt.subplots(1,
2,
figsize=(8, 4),
gridspec_kw=dict(width_ratios=[4, 3]))
sns.scatterplot(data=penguins,
x="flipper_length_mm",
y="bill_length_mm",
hue="species",
ax=axs[0])
sns.histplot(data=penguins,
x="species",
hue="species",
shrink=.8,
alpha=.8,
legend=False,
ax=axs[1])
f.tight_layout()
![3fb946b28b08b7fbe6e1b4fc6d272e6e.png](https://i-blog.csdnimg.cn/blog_migrate/d7ba736c94ee92335254b7e4a2459a46.png)
从上面实例可知,在简单图形上,Figure方法和Axes方式结果几乎一样,在多子图绘制时,Figure水平优势明显;
相比于jointplot/pairplot,JointGrid/PairGrid可以更个性化。
本文简要介绍了Seaborn的主要方法,详细可参考历史文章及官网。
致谢:http://seaborn.pydata.org/index.html
-END-
往期精彩回顾
适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载中国大学慕课《机器学习》(黄海广主讲)机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑机器学习交流qq群955171419,加入微信群请扫码