数据可视化实验五：seaborn绘制进阶图形

于 2024-06-19 09:34:46 发布
阅读量1.1k 收藏 13
点赞数 40
分类专栏： 数据可视化 文章标签： 信息可视化 python 开发语言 数据可视化 seaborn
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/m0_64198455/article/details/139789650
版权

目录

一、绘制动态轨迹图

1.1 代码实现

1.2 绘制结果

二、使用seaborn绘制关系图

2.1 绘制散点图分析产品开发部已离职的员工的评分与平均工作时间

2.1.1 代码实现

2.1.2 绘制结果

​编辑

2.2 基于波士顿房价数据，绘制房间数和房屋价格的折线图

2.2.1 代码实现

2.2.2 绘制结果

2.3 基于人员离职数据，绘制IT部部门员工工龄、年度评分折线图

2.3.1 代码实现

2.3.2 绘制结果

2.4 基于波士顿房价数据绘制热力图

2.4.1 代码实现

2.4.2 绘制结果

2.5 基于波士顿房价数据绘制犯罪率、一氧化氮含量、房间数与房屋价格两两之间的相关性

2.5.1 代码实现

2.5.2绘制结果

2.6 基于人员离职率数据，对销售部已离职的员工数据绘制不同颜色的数据子集

2.6.1 代码实现

2.6.2 绘制结果

2.7 根据销售部已离职的员工数据，通过relplot函数绘制单构面散点图

2.7.1 代码实现

2.7.2 绘制结果

2.8 根据部门为IT部的数据，传入分类变量薪资和工作事故到col和row中，绘制网格图

2.8.1 代码实现

2.8.2 绘制结果

三、使用seaborn绘制分类图

3.1基于离职率数据，使用barplot函数绘制各部门人员总数条形图

3.1.1 代码实现

3.1.2 绘制结果

3.2 基于人员离职率数据绘制x轴与y轴显示数据的计数图

3.2.1 代码实现

3.2.2 绘制结果

3.3 基于波士顿房价数据绘制单变量分布图

3.3.1 代码实现

3.3.2 绘制结果

3.4 基于人员离职率数据，绘制简单水平分布散点图分析销售部已离职的员工每月平均工作小时

3.4.1 代码实现

3.4.2 绘制结果

3.5 基于人员离职率数据，根据高薪在职的员工数据，使用swarmplot函数绘制简单的分布密度散点图

3.5.1 代码实现

3.5.2 绘制结果

3.6 波士顿房价数据绘制普通箱线图与增强箱线图

3.6.1 代码实现

3.6.2 绘制结果

3.7 基于波士顿房价数据，通过pairplot函数绘制多变量之间的关系图

3.7.1 代码实现

四、使用seaborn绘制回归图

4.1 基于波士顿房价数据，利用regplot函数绘制修改置信区间ci参数前后的线性回归拟合图

4.1.1 代码实现

4.1.2 绘制结果

4.2 基于波士顿房价数据，以河流穿行为类别绘制低收入人群与房屋价格两个变量的回归网格组合图

4.2.1 代码实现

4.2.2 绘制结果

end～

人的一生可能根本没有分明的四季，一直在光影斑驳的林子下走走停停。

一、绘制动态轨迹图

1.1 代码实现

# 导入必要库
from pyecharts.charts import Geo
from pyecharts.globals import ChartType
from pyecharts import options as opts

# 修改已有的数据
z1 = [
    ("四川省", "北京市"),
    ("江西省", "西安市"),
]

geo = (
    # 设置图形大小
    Geo(init_opts=opts.InitOpts(width="1200px", height="600px"))
    .add_schema(
        # 地图类型为中国地图
        maptype="china",
        itemstyle_opts=opts.ItemStyleOpts(color="#99CCCC", border_color="black"),
        label_opts=opts.LabelOpts(is_show=True),
    )
    .add(
        "动态轨迹图 ",
        z1,
        # 参数设计
        label_opts=opts.LabelOpts(is_show=False),
        type_=ChartType.LINES,
        effect_opts=opts.EffectOpts(symbol_size=8, color="red"),
        linestyle_opts=opts.LineStyleOpts(curve=0.3),
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="动态轨迹图  author：张志豪  2024-4-8"))
)

# 保存为图片
geo.render("geo_dynamic_trajectory.png")

1.2 绘制结果

二、使用seaborn绘制关系图

2.1 绘制散点图分析产品开发部已离职的员工的评分与平均工作时间

2.1.1 代码实现

from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns

# 忽略警告
import warnings
warnings.filterwarnings('ignore')

# 使用seaborn库绘图
sns.set_style('whitegrid', {'font.sans-serif':['simhei', 'Arial']})

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取部门为产品开发部、离职为1的数据
product = hr.iloc[(hr['部门'].values == '产品开发部') & (hr['离职'].values == 1), :]

# 绘制评价分数与平均工作时间的散点图
ax = sns.scatterplot(x='评分', y='每月平均工作小时数（小时）', data=product)

# 设置图表标题
plt.title('评价分数与平均工作时间散点图1 --张志豪')

# 显示图表1
plt.show()

markers = {'低': 'o', '中': 'D', '高': 's'}

# 绘制评价分数与平均工作时间的散点图，并根据薪资水平使用不同的标记
sns.scatterplot(x='评分', y='每月平均工作小时数（小时）', hue='薪资', style='薪资', markers=markers, data=product)

# 设置图表标题
plt.title('评价分数与平均工作时间散点图2 --张志豪')

# 显示图表2
plt.show()

2.1.2 绘制结果

注：散点图2是在散点图1的基础上添加了第三个分类变量，可以通过对点着色（故称色调语义）和改变标记来显示分类变量，以突显每个类别。

2.2 基于波士顿房价数据，绘制房间数和房屋价格的折线图

2.2.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 绘制折线图
sns.lineplot(x='房间数（间）', y='房屋价格（千美元）', data=boston, ci=0)

# 添加标题和坐标轴标签
plt.title('房间数与房屋价格')
plt.xlabel('房间数（间）')
plt.ylabel('房屋价格（千美元）')

# 显示图例
plt.legend(['房屋价格'], loc='upper left')

# 显示图形
plt.show()

2.2.2 绘制结果

由下图可知，折线具有较大的波动性，但整体呈现向上的趋势，可以大致认为当房间数相对较少时，房屋价格也相对较低；当房间数相对较多时，房屋价格逐渐升高。

2.3 基于人员离职数据，绘制IT部部门员工工龄、年度评分折线图

2.3.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取IT部门的数据
IT = hr[hr['部门'] == 'IT部']

# 绘制折线图，修改线的颜色
sns.lineplot(x='工龄（年）', y='评分', hue='离职', data=IT, ci=0,
             color=['red', 'blue'], linewidth=2)

# 添加标题和坐标轴标签
plt.title('工龄与上年度评价 --张志豪')
plt.xlabel('工龄（年）')
plt.ylabel('评分')

# 显示图例
plt.legend(title='离职', loc='upper right')

# 显示图形
plt.show()

2.3.2 绘制结果

2.4 基于波士顿房价数据绘制热力图

2.4.1 代码实现


import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 加载波士顿房价数据集
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 设置负号显示正常
plt.rcParams['axes.unicode_minus'] = False

# 计算特征相关系数矩阵
corr = boston.corr()

# 绘制热力图，添加数据标记
plt.figure(figsize=(4, 4)) # 设置合适的大小
sns.heatmap(corr, annot=True, fmt='.2f')

# 添加标题
plt.title('特征矩阵热力图 --张志豪')

# 显示图形
plt.show()

2.4.2 绘制结果

2.5 基于波士顿房价数据绘制犯罪率、一氧化氮含量、房间数与房屋价格两两之间的相关性

2.5.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 绘制两两变量之间的相关性矩阵图
g = sns.PairGrid(boston, vars=['犯罪率', '一氧化氮含量（ppm）', '房间数（间）', '房屋价格（千美元）'])
g = g.map(plt.scatter)

# 添加总标题
plt.suptitle('矩阵网格图 --张志豪', verticalalignment='bottom', y=0.98)

# 显示图形
plt.show()

2.5.2绘制结果

2.6 基于人员离职率数据，对销售部已离职的员工数据绘制不同颜色的数据子集

2.6.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取部门为销售部，离职为1的数据
sell = hr.loc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]

# 设置图形大小
plt.figure(figsize=(10, 6))

# 绘制矩阵网格图
g = sns.PairGrid(sell,
                 vars=['满意度', '评分', '每月平均工作小时数（小时）'],
                 hue='薪资', palette='Set3')
g = g.map_diag(sns.kdeplot)
g = g.map_offdiag(plt.scatter)

# 添加总标题
plt.suptitle('不同颜色的矩阵网格图 --张志豪', verticalalignment='bottom', y=0.98)

# 显示图形
plt.show()

2.6.2 绘制结果

2.7 根据销售部已离职的员工数据，通过relplot函数绘制单构面散点图

2.7.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取部门为销售部，离职为1的数据
sell = hr.loc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]

# 绘制单构面散点图
sns.relplot(x='满意度', y='评分', hue='薪资', data=sell)

# 添加标题
plt.title('满意度水平与上年度评价',loc='center')

# 显示图形
plt.show()

2.7.2 绘制结果

由图可知，在销售部部门且已经离职的员工中，人员评估分数越高，员工对公司的满意度越高。

2.8 根据部门为IT部的数据，传入分类变量薪资和工作事故到col和row中，绘制网格图

2.8.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取部门为IT部的数据
IT = hr[hr['部门'] == 'IT部']

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 绘制第一个网格图
sns.relplot(x='满意度', y='评分', hue='5年内升职', row='薪资', col='工作事故', data=IT)
# 设置主标题
plt.suptitle('IT网格图1 -- 张志豪', y=0.99)
plt.show()

# 绘制第二个网格图
sns.relplot(x='满意度', y='评分', hue='5年内升职', col='工作事故', col_wrap=1, data=IT)
# 设置主标题
plt.suptitle('IT网格图2 -- 张志豪', horizontalalignment='left', verticalalignment='bottom', x=0, y=0.98)

# 显示图形
plt.show()

# 显示图形
plt.show()

plt.show()

2.8.2 绘制结果

注：这两个图的title设置花了较多时间，包括一些参数的设置

三、使用seaborn绘制分类图

3.1基于离职率数据，使用barplot函数绘制各部门人员总数条形图

3.1.1 代码实现

from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns
import math

# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
hr = pd.read_csv('hr.csv', encoding='gbk')

# 使用seaborn库绘图
sns.set_style('whitegrid', {'font.sans-serif': ['simhei', 'Arial']})

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 计算各部门的人数并获取部门名称
count = hr['部门'].value_counts()
index = count.index

# 绘制各部门人数的条形图
sns.barplot(x=count, y=index)

# 设置x轴标签旋转角度
plt.xticks(rotation=45)

# 设置x轴和y轴的标签
plt.xlabel('部门')
plt.ylabel('总数')

# 设置图表标题
plt.title('各部门人数对比')

# 显示图表
plt.show()

3.1.2 绘制结果

3.2 基于人员离职率数据绘制x轴与y轴显示数据的计数图

3.2.1 代码实现

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

# 设置中文字体和绘图风格
sns.set_style('whitegrid', {'font.sans-serif': ['simhei', 'Arial']})
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 创建一个新的图形窗口，并设置大小为宽8英寸，高4英寸
plt.figure(figsize=(8, 4))

# 创建第一个子图（1行2列中的第1个）
plt.subplot(1, 2, 1)  # 子图参数为(行数, 列数, 子图索引)
# 绘制工龄(年）的计数图，并设置x轴标签
sns.countplot(x=hr['工龄（年）'])  # 使用列索引来引用数据
plt.title('x轴显示数据的计数图 --张志豪')  # 设置子图标题
plt.ylabel('计数')  # 设置y轴标签

# 创建第二个子图（1行2列中的第2个）
plt.subplot(1, 2, 2)  # 子图参数为(行数, 列数, 子图索引)
# 绘制工龄(年）的计数图，并设置y轴标签
sns.countplot(y=hr['工龄（年）'])  # 使用列索引来引用数据
plt.title('y轴显示数据的计数图 --张志豪')  # 设置子图标题
plt.xlabel('计数')  # 设置x轴标签

# 显示图表
plt.show()

3.2.2 绘制结果

由图可知，不同工龄的员工数量，其中工龄为3的员工数量最多，其次是工龄为2和4的，工龄为7、8、10的员工数量都相对较少，说明了公司员工在工作到一定时间后有离职的情况。

3.3 基于波士顿房价数据绘制单变量分布图

3.3.1 代码实现

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 使用seaborn库绘制单变量的分布图
sns.distplot(boston['财产税'], kde=False)

# 设置图表标题
plt.title('单变量的分布图 --张志豪')

# 设置y轴标签
plt.ylabel('数量')

# 添加网格线
plt.grid(True)

# 显示图表
plt.show()

3.3.2 绘制结果

由图可知，每1万美元的全额物业税率，即财产税，主要集中在200~400和600~700区间，且在200~400区间的数量相关较大。

3.4 基于人员离职率数据，绘制简单水平分布散点图分析销售部已离职的员工每月平均工作小时

3.4.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 提取部门为销售部、离职为1的数据
sale = hr.iloc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]

# 使用seaborn库绘制简单水平分布散点图
sns.stripplot(x='每月平均工作小时数（小时）', data=sale)

# 设置图表标题
plt.title('简单水平分布散点图 --张志豪')

# 显示图表
plt.show()

3.4.2 绘制结果

3.5 基于人员离职率数据，根据高薪在职的员工数据，使用swarmplot函数绘制简单的分布密度散点图

3.5.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 创建一个新的图形窗口，并设置大小为宽10英寸，高13英寸
plt.figure(figsize=(10, 13))

# 创建第一个子图（2行1列中的第1个）
plt.subplot(2, 1, 1)  # 子图参数为(行数, 列数, 子图索引)
# 设置x轴标签旋转角度
plt.xticks(rotation=70)
# 设置图表标题
plt.title('不同部门的平均每月工作时长 --张志豪')
# 使用seaborn库绘制带hue的简单水平分布散点图
sns.stripplot(x='部门', y='每月平均工作小时数（小时）', hue='5年内升职', data=hr)

# 创建第二个子图（2行1列中的第2个）
plt.subplot(2, 1, 2)  # 子图参数为(行数, 列数, 子图索引)
# 设置x轴标签旋转角度
plt.xticks(rotation=70)
# 使用seaborn库绘制带hue和dodge的简单水平分布散点图
sns.stripplot(x='部门', y='每月平均工作小时数（小时）', hue='5年内升职', data=hr, dodge=True)

# 显示图表
plt.show()

3.5.2 绘制结果

由图可知，在高薪在职的员工数据中，不同部门每个月平均工作时长和近五年是否得到提升。其中，销售部部门、管理部部门、市场部部门和财务部部门有少数员工提升，其他部门基本没有得到提升。

3.6 波士顿房价数据绘制普通箱线图与增强箱线图

3.6.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import math

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode MS']

# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 对房间数取整
boston['房间数(取整)'] = boston['房间数（间）'].map(math.floor)

# 创建一个包含两个子图的图形窗口，设置大小为宽8英寸，高4英寸
fig, axes = plt.subplots(1, 2, figsize=(8, 4))

# 第一个子图，绘制普通箱线图
axes[0].set_title('普通箱线图 --张志豪')  # 设置子图标题
sns.boxplot(x='房间数(取整)', y='房屋价格（千美元）', data=boston, orient='v', ax=axes[0])  # 绘制箱线图

# 第二个子图，绘制增强箱线图
axes[1].set_title('增强箱线图 --张志豪')  # 设置子图标题
sns.boxenplot(x='房间数(取整)', y='房屋价格（千美元）', data=boston, orient='v', ax=axes[1])  # 绘制增强箱线图

# 显示图表
plt.show()

3.6.2 绘制结果

由图可知，房间数目与房价有密切关系，房间数目少，房价低；房间数目多，则房价就明显升高。增强箱线图显示更广的分位数，并通过宽度展示出对应的分布，从而接纳了更多的异常值信息，减少了信息损失。

3.7 基于波士顿房价数据，通过pairplot函数绘制多变量之间的关系图

3.7.1 代码实现

1.import seaborn as sns
2.import matplotlib.pyplot as plt
3.import pandas as pd
4.
5.# 设置中文字体
6.plt.rcParams['font.family'] = ['Arial Unicode Ms']
7.
8.# 加载数据
9.boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
10.
11.# 使用seaborn库绘制多变量散点图
12.sns.pairplot(boston[['犯罪率', '一氧化氮含量（ppm）', '房间数（间）', '低收入人群', '房屋价格（千美元）']])
13.
14.# 设置图表标题
15.plt.suptitle('多变量散点图 --张志豪', verticalalignment='bottom', y=0.98)
16.
17.# 显示图表
18.plt.show()

3.7.2 绘制结果

由图可知，犯罪率、一氧化氮含量、房间数、低收入人群、房屋价格几个字段的两两之间的相关关系，以及在对角线上显示了犯罪率、一氧化氮含量、房间数、低收入人群、房屋价格的分布情况。

四、使用seaborn绘制回归图

4.1 基于波士顿房价数据，利用regplot函数绘制修改置信区间ci参数前后的线性回归拟合图

4.1.1 代码实现

import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
import warnings

# 设置中文字体
sns.set_style('whitegrid', {'font.sans-serif': ['SimHei', 'Arial']})
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 忽略警告
warnings.filterwarnings('ignore')

# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

fig, axes = plt.subplots(1, 2, figsize=(12, 6))
# 设置主标题
plt.suptitle('线性拟合图 -张志豪', y=0.99)
axes[0].set_title('修改前的线性回归拟合图')
axes[1].set_title('修改后的线性回归拟合图')

sns.regplot(x='房间数（间）', y='房屋价格（千美元）', data=boston, ax=axes[0])
sns.regplot(x='房间数（间）', y='房屋价格（千美元）', data=boston, ci=50, ax=axes[1])

plt.show()

4.1.2 绘制结果

由图可知，房间数和房屋价格成线性相关关系。其中，修改置信区间ci参数前后得到的线性回归拟合图一致，准确度也不相同。

4.2 基于波士顿房价数据，以河流穿行为类别绘制低收入人群与房屋价格两个变量的回归网格组合图

4.2.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 绘制回归网格组合图
sns.lmplot(x='低收入人群', y='房屋价格（千美元）', hue='河流穿行', data=boston, aspect=1.5)
plt.title('低收入人群与房屋价格回归网格组合图 --张志豪')
plt.xlabel('低收入人群')
plt.ylabel('房屋价格(千美元)')
plt.show()

4.2.2 绘制结果

由图可知，无论是否被河流穿过，变量低收入人群与变量房屋价格呈现较密切的线性拟合趋势，且绝大部分都是分布在未被河流穿过的情况下。

end～

人的一生可能根本没有分明的四季，一直在光影斑驳的林子下走走停停。

长安er
关注
  • 40
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
python 绘制箱型图_Python数据可视化：Seaborn 绘制箱形图
weixin_29098367的博客
01-28 3249
课程总览：Seaborn是Python中使用最广泛的数据可视化库之一，作为Matplotlib的扩展。它提供了一个简单、直观、但高度可定制的数据可视化应用程序接口(API)。在本教程中，我们将看看如何在 Seaborn 中绘制一个箱形图。箱形图(Box-plot)，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域也经常被使用，常见于品质管理。它主要用于反映原始数据分布的特...
数据可视化——seaborn绘图01
dy_yx的博客
12-23 373
seaborn绘图01 论文里的可视化可以用这个画 http://seaborn.pydata.org/ seaborn可绘制漂亮的图表 seaborn是数据分析而设置的绘图库 seaborn能与Pandas很好结合 安装： 用pip命令安装seaborn：pip install seaborn import seaborn as sns sns.version #检查是否安装成功 Seabor...
Python数据可视化--Seaborn绘图总结2
北山啦的博客
05-29 3823
数据可视化-Seaborn简易入门 数据可视化利器-Seaborn绘图总结 seaborn官网：https://seaborn.pydata.org/ 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。 seaborn一共有5个大类21种图，分别是： Relational plots 关系类图表 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 scatterplot() 散点图 lineplo
Seaborn数据可视化
正在考研ing
01-25 4926
Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。 Seaborn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能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视 为matplotlib的补充，而不是替代物。
大数据可视化实验Seaborn和Matplotlib使用+包含ipynb源码和数据集。
07-08
实验内容包括 1.随机数生成、鸢尾花散点图，验证数据维度的...3.泰坦尼克号Seaborn的各种方法对历史数据进行全面地可视化分析操作，以便能对哪些人可能生存进行比较和初步分析。可视化图表应设定各自的风格和缩放尺度
Python数据可视化实战教学大纲.pdf
10-14
课程的教学内容包括Python数据可视化概述、数据的读取和处理、Matplotlib数据可视化基础理论、searborn绘制进阶图形、pyecharts交互式绘图、广电大数据可视化项目实战、新零售智能销售数据可视化实战、基于TipDM大...
python数据分析与可视化
最新发布
04-27
Seaborn则基于Matplotlib，提供了更高级的统计图形绘制功能，使数据可视化更加美观和直观。 此外，Python社区还提供了大量的在线教程、书籍和实战案例，帮助初学者快速入门，并为进阶用户提供深入的学习资源。这些...
Python数据可视化实战-教学大纲.pdf
10-14
四、seaborn 绘制进阶图形 seaborn 库是基于 Matplotlib 的高级数据可视化库，提供了非常丰富的数据可视化功能。学生将学习 seaborn 库中的基础图形、主题风格、调色配置、关系图的绘制方法、分类图的绘制方法、...
Python数据可视化实战-教学进度表.pdf
10-14
* 第 4 章 seaborn 绘制进阶图形 * 第 5 章 pyecharts 交互式绘图 * 第 6 章 广电大数据可视化项目实战 * 第 7 章 新零售智能销售数据可视化实战 * 第 8 章 基于 TipDM 大数据挖掘平台实现广电大数据可视化项目 五...
pandas可视化练习数据.rar
05-03
在"pandas可视化练习数据.rar"这个压缩包中，很显然，包含了一些用于学习如何使用Pandas和Matplotlib进行数据可视化的练习数据。 Pandas库的主要组件包括DataFrame和Series。DataFrame是一种二维表格型数据结构，它...
利用pyhon进行数据分析，是学习python以及进阶python必备书籍
06-12
本书“利用Python进行数据分析”旨在帮助读者掌握如何运用Python进行高效的数据处理、分析和可视化。 首先，我们要理解Python的基础。Python语法简洁明了，适合初学者入门，同时也为高级开发提供了强大的支持。它...
Python数据分析实战与运用之数据分析篇
03-10
Python数据分析实战与运用之数据分析篇 ...Seaborn精美制图是数据可视化的高级知识，包括使用seaborn绘制更加精美的图形，如直方图、散点图和分布图等。掌握Seaborn精美制图知识，能够帮助学员更好地进行数据可视化。
Python-asciiplotlib是一个Python3库可满足您所有的终端绘图需求
08-10
在Python编程领域，数据可视化是一项至关重要的技能，它能够帮助我们以图形方式理解和展示复杂的数据。尽管有许多强大的图形库，如matplotlib、seaborn和plotly等，但它们大多专注于生成高质量的图像，对于终端用户...
python数据科学常用库基本语法.zip
03-18
Python在数据科学领域有着广泛的应用，其丰富的库生态系统为数据处理、分析和可视化提供了强大支持。这个名为"python数据科学常用库基本语法.zip"的压缩包包含了一系列关于Python数据科学库的基础和进阶教程，主要...
PYTHON 进入大数据分析代码
04-28
除了这些基础库，还有一些高级的数据分析库，如SciPy用于科学计算，Scikit-learn用于机器学习，Seaborn用于统计图形，以及Plotly和Bokeh用于创建交互式可视化。在大数据处理方面，Pandas配合Dask或者Apache Spark...
python数据分析博客源代码
05-21
6. 进阶分析：可能还会涉及更复杂的数据分析技术，如使用Scikit-learn库进行机器学习，或者使用Seaborn库进行更高级的统计图形绘制。 通过运行这些源代码，你将有机会深入理解Python数据分析的过程，包括数据的导入...
python.rar
04-27
Matplotlib是Python中最常用的数据可视化库，能够绘制各种2D和3D图形。Seaborn库则在Matplotlib基础上提供了更高级的接口，使数据可视化更加美观和直观。此外，Plotly和Bokeh则提供了交互式图表，增强用户的视觉体验...
表示数据大小的等级条
07-27
等级条是一种视觉化工具，常用于数据可视化领域，它能够有效地表示数据的大小或强度等级。这种图表形式通过不同长度、颜色或者宽度的条形来展示数据间的对比，使复杂的数据变得直观易懂，尤其在处理多级或者连续性...
数据可视化seaborn
04-17
数据可视化seaborn

“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

打赏作者

长安er

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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