[seaborn] seaborn学习笔记2-散点图Scatterplot

最新推荐文章于 2024-09-25 20:32:24 发布
最新推荐文章于 2024-09-25 20:32:24 发布
阅读量3.3w 收藏 109
点赞数 26
分类专栏： 数据分析与可视化 Python
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/luohenyj/article/details/90698499
版权

文章目录

2 散点图Scatterplot

(代码下载)
散点图能够显示2个维度上2组数据的值。每个点代表一个观察点。X（水平）和Y（垂直）轴上的位置表示变量的值。研究这两个变量之间的关系是非常有用的。在seaborn中通过regplot和lmplot制作散点图，regplot和lmplot核心功能相近，regplot相对简单点，如果要定制图像更深层次功能，需要使用lmplot。此外也用Pairplot制作多变量图。该章节主要内容有：

  1. 基础散点图绘制 Basic scatterplot
  2. 更改标记参数 Control marker features
  3. 自定义线性回归拟合 Custom linear regression fit
  4. 使用分类变量为散点图着色 Use categorical variable to color scatterplot
  5. 坐标轴范围设置 Control axis limits of plot
  6. 在散点图上添加文本注释 Add text annotation on scatterplot
  7. 自定义相关图 Custom correlogram
#调用seaborn
import seaborn as sns
#调用seaborn自带数据集
df = sns.load_dataset('iris')
#显示数据集
df.head()
sepal_lengthsepal_widthpetal_lengthpetal_widthspecies
05.13.51.40.2setosa
14.93.01.40.2setosa
24.73.21.30.2setosa
34.63.11.50.2setosa
45.03.61.40.2setosa

1.基础散点图绘制 Basic scatterplot

# 使用regplot（）函数制作散点图。您必须提供至少2个列表：X轴和Y轴上的点的位置。
# 默认情况下绘制线性回归拟合直线，可以使用fit_reg = False将其删除
# use the function regplot to make a scatterplot 有回归曲线
# scipy<1.2会有warning
sns.regplot(x=df["sepal_length"], y=df["sepal_width"]);

C:\ProgramData\Anaconda3\lib\site-packages\scipy\stats\stats.py:1713: FutureWarning: Using a non-tuple sequence for multidimensional indexing is deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be interpreted as an array index, `arr[np.array(seq)]`, which will result either in an error or a different result.
  return np.add.reduce(sorted[indexer] * weights, axis=axis) / sumval

png

# Without regression fit 无回归曲线
sns.regplot(x=df["sepal_length"], y=df["sepal_width"], fit_reg=False);

png

2. 更改标记参数 Control marker features

# 可以散点图自定义颜色，透明度，形状和大小
# Change shape of marker控制散点的形状
sns.regplot(x=df["sepal_length"], y=df["sepal_width"], marker="+", fit_reg=False);

png

# List of available shapes 可用的形状查看
import matplotlib
all_shapes=matplotlib.markers.MarkerStyle.markers.keys()
all_shapes

dict_keys(['.', ',', 'o', 'v', '^', '<', '>', '1', '2', '3', '4', '8', 's', 'p', '*', 'h', 'H', '+', 'x', 'D', 'd', '|', '_', 'P', 'X', 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 'None', None, ' ', ''])

# More marker customization,更具scatter_kws参数控制颜色，透明度，点的大小
sns.regplot(x=df["sepal_length"], y=df["sepal_width"], fit_reg=False, scatter_kws={"color":"darkred","alpha":0.3,"s":20});

png

3. 自定义线性回归拟合 Custom linear regression fit

# 您可以自定义seaborn提出的回归拟合的外观。在此示例中，颜色，透明度和宽度通过line_kws = {}选项进行控制。
sns.regplot(x=df["sepal_length"], y=df["sepal_width"], line_kws={"color":"r","alpha":0.7,"lw":5});

png

4. 使用分类变量为散点图着色 Use categorical variable to color scatterplot

  • 每组映射一种颜色 Map a color per group
  • 每组映射一个标记 Map a marker per group
  • 使用其他调色板 Use another palette
  • 控制每组的颜色 Control color of each group
# 每组映射一种颜色 Map a color per group
# Use the 'hue' argument to provide a factor variable hue设置species不同种类的的颜色
sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False, hue='species', legend=False);
# Move the legend to an empty part of the plot 需要通过matplotlib更改legend的位置
import matplotlib.pyplot as plt
plt.legend(loc='best');

png

# 每组映射一个标记 Map a marker per group
# give a list to the marker argument 通过hue设定颜色，markes设定各点的形状
sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False, hue='species', legend=False, markers=["o", "x", "1"])
# Move the legend to an empty part of the plot
plt.legend(loc='lower right');

png

# 使用其他调色板 Use another palette
# Use the 'palette' argument 不同种类设定不同的颜色，颜色类型使用palette设定调色板颜色
sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False, hue='species', legend=False, palette="Set2")
# Move the legend to an empty part of the plot
plt.legend(loc='lower right');

png

# 控制每组的颜色 Control color of each group
# Provide a dictionary to the palette argument 调色盘使用自定义颜色
dict_color=dict(setosa="#9b59b6", virginica="#3498db", versicolor="#95a5a6")
sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False, hue='species', legend=False, palette=dict_color)
# Move the legend to an empty part of the plot
plt.legend(loc='lower right');

png

5. 坐标轴范围设置 Control axis limits of plot

# basic scatterplot
sns.lmplot( x="sepal_length", y="sepal_width", data=df, fit_reg=False)
# control x and y limits 设置轴的范围，不过需要调用matplotlib.pyplot 模块，通常都是matplotlib和seaborn一起用
plt.ylim(0, 20)
plt.xlim(0, None)

(0, 8.122715679666298)

png

6. 在散点图上添加文本注释 Add text annotation on scatterplot

  • 添加一个注释 Add one annotation
  • 添加多个注释 Use a loop to annotate each marker
# 添加一个注释 Add one annotation
import pandas as pd 
# 制作数据集
df_test = pd.DataFrame({
    'x': [1, 1.5, 3, 4, 5],
    'y': [5, 15, 5, 10, 2],
    'group': ['A','other group','B','C','D']})
# 画散点图
p1=sns.regplot(data=df_test, x="x", y="y", fit_reg=False, marker="o", color="skyblue", scatter_kws={'s':400});
# 添加注释
p1.text(3+0.2, 4.5, "An annotation", horizontalalignment='left', size='medium', color='black', weight='semibold')

Text(3.2, 4.5, 'An annotation')

png

# 添加多个注释 Use a loop to annotate each marker
# basic plot
p1=sns.regplot(data=df_test, x="x", y="y", fit_reg=False, marker="o", color="skyblue", scatter_kws={'s':400})
# add annotations one by one with a loop
for line in range(0,df_test.shape[0]):
     p1.text(df_test.x[line]+0.2, df_test.y[line], df_test.group[line], horizontalalignment='left', size='medium', color='black', weight='semibold')

png

7. 自定义相关图 Custom correlogram

  • 有回归方程的散点相关图 correlogram with regression
  • 无回归方程的散点相关图 correlogram without regression
  • 在相关图上表示组 Represent groups on correlogram
  • 相关图子图设置 Kind of plot for the diagonal subplots
  • 子图参数设置 parameters adjustment of subplots
# 有回归方程的散点相关图 correlogram with regression
# library & dataset
import matplotlib.pyplot as plt
import seaborn as sns
df = sns.load_dataset('iris')
 
# with regression 有回归方程的散点相关图
# 正对角线上的图表示数据频次的直方图，其他表示散点图
sns.pairplot(df, kind="reg");

png

# 无回归方程的散点相关图 correlogram without regression 
sns.pairplot(df, kind="scatter");

png

# 在相关图上表示组 Represent groups on correlogram
# 通过hue设定种类，markers不同种类的点的表示方式
# 对角线为核密度图
sns.pairplot(df, kind="scatter", hue="species", markers=["o", "s", "D"], palette="Set2")

<seaborn.axisgrid.PairGrid at 0x21cc5179710>

png

# 在相关图上表示组 Represent groups on correlogram
# you can give other arguments with plot_kws  plot_kws更改散点图的参数
sns.pairplot(df, kind="scatter", hue="species",plot_kws=dict(s=80, edgecolor="white", linewidth=3));

png

# 相关图子图设置 Kind of plot for the diagonal subplots
# diag_kind有auto，hist,kde选项，hist为直方图，kde为散点图
sns.pairplot(df, diag_kind="hist");

png

#  子图参数设置 parameters adjustment of subplots
# You can custom it as a density plot or histogram so see the related sections 通过diag_kws调整子图参数
sns.pairplot(df, diag_kind="kde", diag_kws=dict(shade=True, bw=.05, vertical=False));

png

落痕的寒假
关注
专栏目录
数据可视化图表-散点图（Scatter plot）
Cassiel60的博客
03-12 1万+
本文是接着这篇内容的：https://blog.csdn.net/Cassiel60/article/details/88350442 散点图是用于研究两个变量之间关系的经典的和基本的图表。 如果数据中有多个组，则可能需要以不同颜色可视化每个组。 在 matplotlib 中，您可以使用plt.scatterplot（）方便地执行此操作 #Import dataset midwest =...
Seaborn绘图-绘制散点图，折线图-分类统计图
QiuBeiXianSeng的博客
09-28 6673
Seaborn绘图 关系型绘图 seaborn.relplot() 这个函数功能非常强大，可以用来表示多个变量之间的关联关系。默认情况下是绘制散点图，也可以绘制线性图，具体绘制什么图形是通过kind参数来决定的。实际上以下两个函数就是relplot的特例： • 散点类型：scatterplot -> relplot(kind=“scatter”) • 线性类型：lineplot -> relplot(kind=“line”) 基本使用 import seaborn as sns tips = s
seaborn系列 (2) | 散点图scatterplot()
热门推荐
脑机接口社区
09-16 2万+
本篇是《Seaborn系列》文章的第2篇. 散点图散点图 scatterplot函数原型参数解读案例教程案例地址 散点图 scatterplot seaborn.scatterplot()散点图 解读 可以通过调整颜色、大小和样式等参数来显示数据之间的关系。 函数原型 seaborn.scatterplot(x=None, y=None, hue=None, ...
plt.scatter()函数介绍
最新发布
weixin_43597208的博客
09-25 884
plt.scatter() 是 Matplotlib 库中用于创建散点图的函数。x：表示散点图中每个点的 x 坐标的数据y：表示散点图中每个点的 y 坐标的数据s：表示散点的大小，可以是单个数值，或者与 x、y等长的数组c：表示散点的颜色，可以是单个颜色，或者与 x、y 等长的数组marker：表示散点的标记类型，例如圆圈、方形等cmap：表示颜色映射，用于设置颜色的渐变 alpha：表示散点的透明度，取值范围为 0 到 1。
seaborn.scatterplot学习
moonlightpeng的博客
10-14 2046
官方文档 seaborn scatterplot seaborn.scatterplot(*,x=None,y=None,hue=None,style=None,size=None,data=None,palette=None,hue_order=None,hue_norm=None,sizes=None,size_order=None,size_norm=None,markers=True,style_order=None,x_bins=None,y_bins=N...
【Python画图-seaborn驯化】一文学会seaborn画散点图scatterplot、swarmplot技巧
志在创建优质博客、通俗易懂、助力大家提高学习效率！
07-05 1077
  散点图是一种用于展示两个变量之间关系的图表。在Seaborn库中，散点图可以通过scatterplot函数方便地绘制，它非常适合用于探索数据集中变量间的相关性、趋势或模式。  散点图本身不涉及复杂的数学公式，它简单地将数据点在二维平面上进行投影。每个数据点的位置由两个变量的值决定：(xi,yi)(x_i,y_i)(xi​,yi​), 其中xix_ixi​和yiy_iyi​分别代表第 i 个数据点在x轴和y轴上的值。   我们通过seaborn自带的数据对其进行相关的画图，具体的导入数据代码如下所示： 3
2022.03.09：seaborn.scatterplot()——绘制一个可能有几个语义分组的散点图
Chain
03-09 4051
scatterplot绘制一个可能有几个语义分组的散点图 sns.scatterplot( x=None, y=None, - vectors or keys in data 作用：指定 x 轴和 y 轴上位置的变量。 hue=None, - vector or key in data 作用：将生成不同颜色的点的变量分组。 可以是分类或数字，尽管颜色映射在后一种情况下会有不同的行为。 style=None, - vect.
seaborn—sns.scatterplot绘制散点图
柳杰的博客
03-26 8312
箱型图的绘制   接上一篇，箱型图适合绘制类别变量与目标变量的关系。这一篇所讲到的散点图适合绘制连续型变量与目标变量的关系。 中文文档 seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True,..
seaborn散点图
12-21
最新版本的seaborn已经包含了`scatterplot`方法，用于创建散点图。要解决这个问题，你需要确保你的seaborn库是最新版本。 散点图是一种非常有用的统计图表，用于展示两个变量之间的关系。在seaborn中，你可以使用`...
python seaborn 散点图矩阵_Python可视化25|seaborn矩阵图
weixin_39533896的博客
11-20 627
矩阵图即用一张图绘制多个变量之间的关系，数据挖掘中常用于初期数据探索；本文介绍python中seaborn.pairplot（傻瓜版）和seaborn.PairGrid（更个性化版）绘制矩阵图本文内容速览目录1、绘图数据准备2、seaborn.pairplot加上分类变量修改调色盘x,y轴方向选取相同子集x,y轴方向选取不同子集非对角线散点图加趋势线对角线上的四个图绘制方式只显示网格下三角图形图形...
Python数据分析-绘图-2-Seaborn进阶绘图-2-关系图
weixin_44020827的博客
12-03 2121
一、散点图：scatterplot 函数：seaborn.scatterplot 常用参数： x，y array，str，series，输入变量。字符串应该是data中对应的变量名，使用series将会在轴上显示名称。 data 接收DataFrame，表示用于绘图的数据集。 hue 接收data中的变量名，传入分类变量，以颜色分类。 size 接收data中的变量名，传入分类变量，以标记大小分类。 sizes 接收list，dict，tuple，确定不同
python修改散点图中点的颜色_如何在seaborn散点图中更改点边颜色？
weixin_39845406的博客
12-05 2761
我用seaborn创建了一个散点图：import seaborn as snssns.set(style="ticks", color_codes=True)g=sns.scatterplot(x="length", y="coverage", data=df, hue = 'Products', edgecolors=None, alpha = 0.7)g.set(yscale="log")pl...
散布图 scatter plot
qq1987924的专栏
03-09 1万+
转自：http://www.gztaiyou.com/html/201292710143.html 什么是散布图？       散布图是用非数学的方式来辨认某现象的测量值与可能原因因素之间的关系. 这种图示方式具有快捷，易于交流, 和易于理解的特点。用来绘制散布图的数据必须是成对的(X,Y)。通常用垂直轴表示现象测量值Y ，用水平轴表示可能有关系的原因因素X。       散布图
Scatter Plot
qq_42052864的博客
08-15 2552
import numpy as np import matplotlib.pyplot as plt plt.style.use('ggplot') x=np.arange(1,15,1) #创建数据 线性，二次多项式 y_liner=x+5*np.random.randn(14) y_quadratic=x**2+10*np.random.randn(14) #polyfit 拟合数据，...
r学习笔记--散点图
scp_2032的博客
09-04 881
目录绘制基本散点图设定点形、颜色属性使用不同于默认设置的点形添加回归模型拟合线添加模型系数添加标签绘制气泡图 library(ggplot2) 绘制基本散点图 运行geom_point()函数，指定x，y映射变量。 library(gcookbook) #heightweight[,c('ageYear','heightIn')] ggplot(heightweight,aes(x=ageYear,y=heightIn))+geom_point() 设定点形、颜色属性 将分组变量映射给shape，col
[pyecharts学习笔记]——Scatter散点图
积一时之步，臻千里之遥程
04-28 1万+
先看对y轴的一些设置属性 def add_yaxis( # 系列名称，用于 tooltip 的显示，legend 的图例筛选。 series_name: str, # 系列数据 y_axis: Sequence, # 是否选中图例 is_selected: bool = True, # 使用的 x 轴的 index，在单个图表实例中存在...
散点图（Scatter Plot）
qq_51691366的博客
05-23 1671
散点图是数据集中的每个值都由点表示的图Matplotlib 模块有一种绘制散点图的方法，它需要两个长度相同的数组，一个数组用于 x 轴的值，另一个数组用于 y 轴的值：x 数组代表每辆汽车的年龄y 数组表示每个汽车的速度需要注意的是，x数组中的每一个位置的值与y数组中的每一个位置值一一对应，也即5对应 99，其余以此类推下面是上面的代码运行结果，可以看到使用年限越长的车，速度越慢。
评论
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