可视化--Seaborn

Seaborn

python 中的制图工具库，可以制作出吸引人的，信息量大的统计图

在Matplotlib上构建，支持numpy和pandas的数据结构可视化，甚至是scipy和statsmodels的统计模型可视化

主要用于比较数据集中各变量的分布情况

数据集分布可视化------>单变量分布sns.displot()

sns.displot()  参数（rug:密度小柱状体；kde密度曲线）

import numpy as np
import pandas as pd
from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns
x1 = np.random.normal(size=100)
sns.distplot(x1, bins=20, kde=True, rug=True,
            rug_kws = {'color':'y'},
             #设置数据频率分布颜色
             kde_kws = {'color':'k', 'lw':1, 'label':'KDE', 'linestyle':'--'},
             #设置密度曲线颜色、线宽、标注、 线形
             hist_kws = {'histtype':'stepfilled', 'linewidth':1, 'alpha':1, 'color':'g'})
             # 设置箱子的风格、线宽、透明度、颜色
             # 风格包括：'bar'、'barstacked'、'step'、'stepfilled')

x2 = np.random.randint(0, 100, 500)
sns.distplot(x2, hist=False, rug=True)

sns.kdeplot(x2, shade=True)
sns.rugplot(x2)

拟合参数分布

sns.distplot(x2, kde=True, fit=stats.gamma)

双变量分布

# 双变量分布
df_obj1 = pd.DataFrame({"x": np.random.randn(500),
                   "y": np.random.randn(500)})

df_obj2 = pd.DataFrame({"x": np.random.randn(500),
                   "y": np.random.randint(0, 100, 500)})

 散点分布图
 

sns.jointplot(x="x", y="y", data=df_obj1)

sns.jointplot(x="x", y="y", data=df_obj1, kind="hex");

核密度估计

sns.jointplot(x="x", y="y", data=df_obj1, kind="kde");

数据集中变量间关系可视化

dataset = sns.load_dataset("tips")
#dataset = sns.load_dataset("iris")
sns.pairplot(dataset)

类别数据可视化（sns.stripplot   sns.swarmplot   ）

1.类别内散布图

exercise = sns.load_dataset('exercise')
sns.stripplot(x="diet", y="pulse", data=exercise)

sns.swarmplot(x="diet", y="pulse", data=exercise, hue='kind')

2.类别内数据分布

盒子图（sns.boxplot）

sns.boxplot(x="diet", y="pulse", data=exercise)
sns.boxplot(x="diet", y="pulse", data=exercise, hue='kind')

小提琴图

#sns.violinplot(x="diet", y="pulse", data=exercise)
sns.violinplot(x="diet", y="pulse", data=exercise, hue='kind')

3.类别内统计图

柱状图

sns.barplot(x="diet", y="pulse", data=exercise, hue='kind')

点图

sns.pointplot(x="diet", y="pulse", data=exercise, hue='kind')