【2019.05】Python 教程系列 6 - Seaborn

最新推荐文章于 2024-05-07 11:30:00 发布
最新推荐文章于 2024-05-07 11:30:00 发布
阅读量2.5k 收藏 11
点赞数 5
分类专栏： python教程系列 python3 学习路上 文章标签： Seaborn 绘图 python 可视化
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/qq_38534107/article/details/90373999
版权

Seaborn 是基于 matplotlib 开发的高阶 Python 数据可视图库，用于绘制优雅、美观的统计图形。

import seaborn as sns

本帖还有用到其它的库，声明如下

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline

from datetime import datetime
np.random.seed(1031)

在 Matplotlib 那贴已提过，个人偏好百度 Echarts 里面的一组颜色，因此将其 hex 颜色代码定义出来，其中红色的 r_hex 和深青色的 dt_hex 是大爱。

r_hex = '#dc2624'     # red,       RGB = 220,38,36
dt_hex = '#2b4750'    # dark teal, RGB = 43,71,80
tl_hex = '#45a0a2'    # teal,      RGB = 69,160,162
r1_hex = '#e87a59'    # red,       RGB = 232,122,89
tl1_hex = '#7dcaa9'   # teal,      RGB = 125,202,169
g_hex = '#649E7D'     # green,     RGB = 100,158,125
o_hex = '#dc8018'     # orange,    RGB = 220,128,24
tn_hex = '#C89F91'    # tan,       RGB = 200,159,145
g50_hex = '#6c6d6c'   # grey-50,   RGB = 108,109,108
bg_hex = '#4f6268'    # blue grey, RGB = 79,98,104
g25_hex = '#c7cccf'   # grey-25,   RGB = 199,204,207

将上面自定义颜色设置为 seaborn 里调色板，当然你可以用它里面默认调色板。

color = ['#dc2624', '#2b4750', '#45a0a2', '#e87a59',
         '#7dcaa9', '#649E7D', '#dc8018', '#C89F91', 
         '#6c6d6c', '#4f6268', '#c7cccf']
sns.set_palette( color )

本章我们用以下思路来讲解：

  1. 第一章深度了解 (in-depth) 配对图 (pairplot)，在讲解时，我们配用数据清洗的案例分析，可供以后的「机器学习」用。

  2. 第二章广度了解 (in-breadth) 其他类型的图，只是做个简单展示。

1 深度了解 Seaborn

1.1 鸢尾花识别

假设我们要创建一个智能手机应用程序，从智能手机拍摄的照片中自动识别花的种类。 我们正在与一个数据科学家团队合作，该数据科学主管负责创建一个演示机器学习模型，测量花的萼片长度 (sepal length)，萼片宽度 (sepal width)，花瓣长度 (petal length) 和花瓣宽度 (petal width) 四个变量，并根据这些测量识别物种。

等等，萼片是什么鬼？萼片是花的最外一环。下图清晰指出花的萼片和花瓣。
在这里插入图片描述
我们已经从现场研究人员获得了一个数据集，里面包括三种类型的鸢尾花的测量，如下图：
在这里插入图片描述
根据当地研究人员测量的每种鸢尾花的四个数据 (萼片长/宽和花瓣长/宽)，我们最终目的是想正确的分类这三种花。但重中之重的第一步是数据处理，有了干净数据之后再来机器学习很容易。

但怎么处理数据有时候更像一门艺术而不像一门科学。接下来会从

  1. 检查数据
  2. 清理数据
  3. 测试数据

三方面来探索，在其过程中当然会借助 Seaborn。

检查数据

即便是政府或银行，他们公布的数据也有错误。在花费太多时间分析数据之前，提早检查并修正这些错误能节省大量时间。一般来说，我们希望回答以下问题：

  1. 数据格式有什么问题吗？
  2. 数据数值有什么问题吗？
  3. 数据需要修复或删除吗？
检查点 1. 数据格式

首先用 pandas 读取 csv 文件并将数据存成 DataFrame 格式。

iris_data = pd.read_csv('iris-data.csv', na_values=['NA'])

函数 read_csv() 里面用到的两个参数

  • 第一个 filename 是读取 csv 文件名
  • 第二个参数用来把 csv 里面空白处用 NaN 代替
iris_data.head(10)
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
05.13.51.40.2Iris-setosa
14.93.01.40.2Iris-setosa
24.73.21.30.2Iris-setosa
34.63.11.50.2Iris-setosa
45.03.61.40.2Iris-setosa
55.43.91.70.4Iris-setosa
64.63.41.40.3Iris-setosa
75.03.41.5NaNIris-setosa
84.42.91.4NaNIris-setosa
94.93.11.5NaNIris-setosa

数据看起来是可用的 (大神 Hadley Wickhan 对干净数据的定义是，每一列代表一个特征；每一行代表一个样例)。

  • 数据的第一行定义了列标题，标题的描述足以让我们了解每个列代表的内容 (萼片长度，萼片宽度，花瓣长度和花瓣宽度)，标题甚至给我们记录测量的单位 (cm, 厘米)

  • 第一行之后的每一行代表一个花的观测数据：四个测量指标和一个类 (class)，它告诉我们花的种类。比如前 10 个都是山鸢尾花 (注意第 8 到 10 个的花瓣宽度没有数据，用 NaN 来表示)。

  • 检查点 2. 数据统计

接下来，检查数据的分布可以识别异常值。我们从数据集的汇总统计数据开始。

iris_data.describe()
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cm
count150.000000150.000000150.000000145.000000
mean5.6446273.0546673.7586671.236552
std1.3127810.4331231.7644200.755058
min0.0550002.0000001.0000000.100000
25%5.1000002.8000001.6000000.400000
50%5.7000003.0000004.3500001.300000
75%6.4000003.3000005.1000001.800000
max7.9000004.4000006.9000002.500000

  • describe() 函数的产出每列数据的个数 (count)，均值 (mean)，标准差 (std)，最小值 (min)，25, 50 和 75 百分位数 (25%, 50%, 75%) 和最大值 (max)。50 百分位数也就是中位数 (median)。

  • 从该表中看到几个有用的值。 例如，我们看到缺少 5 条花瓣宽度的数据 (表里 count 那一行的萼片长度，萼片宽度和花瓣长度的个数都是 150 个，唯独花瓣宽度是 145 个)。

此外，这样的表给不了太多有用信息，除非我们知道数据应该在一个特定的范围 (如萼片长度的最小值是 0.055, 和它其他指标如均值和几个百分位数都不是量纲的，很有可能是测量错误)。

你说表中这些数字看起来是不是很枯燥，为什么不用直观的图呢？现在 seaborn 可以派上用场了。

sns.pairplot(iris_data.dropna(), hue='class')

C:\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
C:\Anaconda3\lib\site-packages\numpy\core\_methods.py:140: RuntimeWarning: Degrees of freedom <= 0 for slice
  keepdims=keepdims)
C:\Anaconda3\lib\site-packages\numpy\core\_methods.py:132: RuntimeWarning: invalid value encountered in double_scalars
  ret = ret.dtype.type(ret / rcount)
C:\Anaconda3\lib\site-packages\statsmodels\nonparametric\bandwidths.py:20: RuntimeWarning: invalid value encountered in minimum
  return np.minimum(np.std(X, axis=0, ddof=1), IQR)
C:\Anaconda3\lib\site-packages\numpy\core\fromnumeric.py:83: RuntimeWarning: invalid value encountered in reduce
  return ufunc.reduce(obj, axis, dtype, out, **passkwargs)





<seaborn.axisgrid.PairGrid at 0x1b2610668d0>

在这里插入图片描述

上面 pairplot() 函数里

  • 第一个参数 iris_data.dropna() 就是除去 NaN 的数据表，这么做原因很简单，图里不可能显示的出 NaN 值的。

  • 第二个参数 hue = ‘class’ 就是根据类 (class) 下不同的值赋予不同的颜色 (hue 就是色彩的意思) 。

让我们再回顾一下 iris_data 的前 10 行：

iris_data.head(10)
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
05.13.51.40.2Iris-setosa
14.93.01.40.2Iris-setosa
24.73.21.30.2Iris-setosa
34.63.11.50.2Iris-setosa
45.03.61.40.2Iris-setosa
55.43.91.70.4Iris-setosa
64.63.41.40.3Iris-setosa
75.03.41.5NaNIris-setosa
84.42.91.4NaNIris-setosa
94.93.11.5NaNIris-setosa

它有 5 列，前四列 (萼片长度，萼片宽度，花瓣长度和花瓣宽度) 可看成自变量，第五列 (类) 可看成变量。

配对图 (pairplot) 绘制前四列变量的关系图，而且用不同颜色区分不同的类下面的这四个变量。 从上图可知，横轴纵轴都有四个变量，那么总共可以画出 16 (4*4) 张小图。

  • 对角线上的 4 张都是某个变量和自身的关系，用分布图 (dist plot)。

  • 非对角线的 12 张就是某个变量和另一个变量的关系，用散点图 (scatter plot)。比如第一行第二列的图描述的就是萼片长度 (看纵轴第一个 sepal_length_cm 字样) 和萼片宽度 (看横轴第二个 sepal_width_cm 字样)。

从「配对图」中，我们可以迅速看出数据集上的一些问题：

  1. 图的右侧标注这五个类 (Iris-setosa, Iris-setossa, Iris-versicolor, versicolor, Iris-virginica)，但原本要分类的花只有三类 (Iris-setosa, Iris-versicolor, Iris-virginica)。这意味着在记录数据时可能会犯下一些错误。

  2. 在测量中有一些明显的异常值可能是错误的。

    a. 第二行的图 1-2-4 (或第二列的图1-2-4)，对于 Iris-setosa，一个萼片宽度 (sepal_width) 值落在其正常范围之外。

    b. 第一行后三张图 (或第一列后三张图)，对于 Iris-versicolor，几个萼片长度 (sepal_length) 值都接近零。

下一步我们的任务是要处理错误的数据。

  • 修正点 1. 数据类别

问题：按理说鸢尾花应该只有三类，而图中却显示有五类。

在与现场研究人员交谈后，得知研究员

忘记在 Iris-versicolor 之前添加 Iris-
在 Iris-setossa 中多打了一个 s

让我们使来修正这些错误。

iris_data.loc[iris_data['class'] == 'versicolor', 'class'] = 'Iris-versicolor'
iris_data.loc[iris_data['class'] == 'Iris-setossa', 'class'] = 'Iris-setosa'

iris_data['class'].unique()

array(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'], dtype=object)

第一行将 versicolor 改为 Iris-versicolor；第二行将 Iris-setossa 改为 Iris-setosa；第四行用 unique() 函数 (unique 有唯一不重复的意思) 检验修改过的数据只有三类，更新后再画「配对图」。

sns.pairplot(iris_data.dropna(), hue='class')

C:\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





<seaborn.axisgrid.PairGrid at 0x1b262ac4f98>

在这里插入图片描述

  • 修正点 2. 异常值

修正异常值 (outliers) 是一件棘手的事情。因为我们很难判断异常值是否由测量误差引起，或者是不正确的单位记录数据，或者是真正的异常。如果我们决定排除任何数据，需要记录排除的数据并提供排除该数据的充分理由。由上节所知，我们有两种类型的异常值。

问题 1：山鸢尾花的一个萼片宽度值落在其正常范围之外 。

我们的研究人员知道，山鸢尾花 (Iris-setosa) 的萼片宽度 (sepal_width_cm) 不可能低于 2.5 厘米。显然，这个记录是错误的，这种情况下最有效的方法是删除它而不是花时间查找原因。但是，我们仍需要知道有多少个类似这样的错误数据，如果很少删除它没有问题，如果很多我们需要查明原因。

coud = (iris_data['class'] == "Iris-setosa") & (iris_data['sepal_width_cm'] < 2.5)
iris_data.loc[coud]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
414.52.31.30.3Iris-setosa

上面代码是用数据表里的 loc[] 切片来找到类为 Iris-setoa 并且 sepal width 小于 2.5 的所有行。最后发现只有一个这样的数据，因此可以直接删除此数据。

去掉 Iris-setosa 里萼片宽度大于 2.5 厘米的数据，然后画出其条形图。

iris_data = iris_data.loc[~coud]
iris_data.loc[iris_data['class'] == 'Iris-setosa',
             'sepal_width_cm'].hist()

<matplotlib.axes._subplots.AxesSubplot at 0x1b2629b2da0>

在这里插入图片描述

从上面条形图也看到了再没有这个异常值 (小于 2.5 厘米的点)。

完美！ 现在所有的山鸢尾花的萼片宽度都大于 2.5 厘米。

问题 2：变色鸢尾花的几个萼片长度值接近与零
所有这些接近零的 sepal_length_cm 似乎错位了两个数量级，好像它们的记录单位米而不是厘米。在与实地研究人员进行了一些简短的对话后，我们发现其中一个人忘记将这些测量值转换为厘米。

我们使用代码来修正这些错误。

cond = (iris_data['class'] == 'Iris-versicolor') & (iris_data['sepal_length_cm'] < 1.0)
iris_data.loc[cond]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
770.0673.05.01.7Iris-versicolor
780.0602.94.51.5Iris-versicolor
790.0572.63.51.0Iris-versicolor
800.0552.43.81.1Iris-versicolor
810.0552.43.71.0Iris-versicolor

上面代码是用数据表里的 loc[] 切片来找到类为 Iris-versicolor 并且 sepal length 接近零的所有行，发现有五个数据。

将萼片长度乘以 100 倍，从单位米换成单位厘米，然后画出其条形图。

iris_data.loc[cond, 'sepal_length_cm'] *= 100.0

iris_data.loc[iris_data['class'] == 'Iris-versicolor', 
             'sepal_length_cm'].hist()

<matplotlib.axes._subplots.AxesSubplot at 0x1b26407b978>

在这里插入图片描述

从上面条形图也看到了再没有这五个异常值 (零点零几的点)。

  • 修正点 3. 缺失值

对了，我们还有些 NaN 这样的缺失值 (missing value)。通常我们有两种方式来处理这类数据。

  1. 删除 (deletion)
  2. 插补 (imputation)

在本例中删除不是理想的做法，特别是考虑到它们都在 Iris-setosa 下，如图：

所有缺失的值都属于 Iris-setosa类，直接删除可能会对日后数据分析带来偏差。此外，可以用插补方法，其最常见的方法平均插补 (mean imputation)。其做法就是“假设知道测量的值落在一定范围内，就可以用该测量的平均值填充空值”。

首先查看缺失值在 DataFrame 哪个位置。

iris_data.loc[iris_data['sepal_length_cm'].isnull()|
             iris_data['sepal_width_cm'].isnull()|
             iris_data['petal_length_cm'].isnull()|
             iris_data['petal_width_cm'].isnull()]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
75.03.41.5NaNIris-setosa
84.42.91.4NaNIris-setosa
94.93.11.5NaNIris-setosa
105.43.71.5NaNIris-setosa
114.83.41.6NaNIris-setosa

上面代码里面 iris_data[A].isnull() 语句是找出 A 列中值为 NA 或 NaN 的行，而 “|” 是“或”的意思。因此上面整句话是找到萼片长度，萼片宽度，花瓣长度和花瓣宽度这四列下的所有含 NaN 的行数据，最后发现只有 5 行，而且 NaN 都来自花瓣宽度。

然后用 mean() 求出其宽度的平均值，用其将 NaN 值全部代替，最后打印出那 5 行插补后的 DataFrame。

isSetosa = iris_data['class'] == 'Iris-setosa'

average_petal_width = iris_data.loc[isSetosa, 'petal_width_cm'].mean()

iris_data.loc[isSetosa & (iris_data['petal_width_cm'].isnull()), 'petal_width_cm'] = average_petal_width

iris_data.loc[isSetosa & (iris_data['petal_width_cm']== average_petal_width)]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass
75.03.41.50.25Iris-setosa
84.42.91.40.25Iris-setosa
94.93.11.50.25Iris-setosa
105.43.71.50.25Iris-setosa
114.83.41.60.25Iris-setosa

为了确保所有 NaN 值已被替换，再次用 iris_data[A].isnull() 语句来查看，出来的结果是一个只有列标题的空数据表。这表示表内已经没有 NaN 值了。

iris_data.loc[iris_data['sepal_length_cm'].isnull()|
             iris_data['sepal_width_cm'].isnull()|
             iris_data['petal_length_cm'].isnull()|
             iris_data['petal_width_cm'].isnull()]
sepal_length_cmsepal_width_cmpetal_length_cmpetal_width_cmclass

经过了修正类别、异常值和缺失值后，最后来看看基于干净数据画的「配对图」吧。

sns.pairplot( iris_data,  hue='class' )

C:\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





<seaborn.axisgrid.PairGrid at 0x1b263fd0550>

在这里插入图片描述

从上图可看到：

  1. 五个类变成三个类
  2. 异常值全部被删除
  3. 缺失值全部被插补

图整洁了，数据也干净了，之后可以用来做机器学习。

如果你不喜欢我自定义的配色的话，你可以随意用

  • 用 set_style() 选五种风格：darkgrid, whitegrid, dark, white 和 ticks .
  • 用 set_palette() 六种调色盘：deep, muted, pastel, bright, dark 和 colorblind

首先将风格初始化成 ticks。

sns.set(style='ticks')

1.2 无标签的图

假设我们不知道数据标签是什么 (无监督学习里的聚类问题)，那么画出来的「配对图」是单色调的。

sns.pairplot(iris_data)

<seaborn.axisgrid.PairGrid at 0x1b2665fc550>

在这里插入图片描述

对角线上的图是直方图 (histgram)，非对角线上的散点图没有被不同的颜色区分。我们可以用 K-mean 聚类来得到 K 个不同簇，再和本身有的标签比对，看看聚类的效果如何 (在之后的 sklean 那贴再细讲)。

1.3 带标签的图

如果我们知道数据标签 (有监督学习里的分类问题)，那么画出来的「配对图」是多色调的，只需把 hue 变量设置成 DataFrame 数据里的标签名。

sns.pairplot( iris_data, hue='class' )

C:\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





<seaborn.axisgrid.PairGrid at 0x1b267ea55c0>

在这里插入图片描述

当细分了标签后，对角线图就是分布图 (distplot)，本例有三类，因此有三个分布。非对角线图还是散点图，只不过由不同颜色区分不同类别。

1.4 设置色板

将风格设置为 dark (背景变成灰色)，色板设置成 husl。

sns.set_style('dark')
sns.pairplot(iris_data, hue='class', palette='husl')

C:\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





<seaborn.axisgrid.PairGrid at 0x1b268379d68>

在这里插入图片描述

husl 其实就是一个色彩系统，取 10 个样本颜色展示如下：


sns.palplot( sns.color_palette('husl',10) )

在这里插入图片描述

1.5 设置标记

将风格设置为 darkgrid (背景变成带网格的灰色)，色板设置成 colorblind 为色盲用户着想，甚至将不同类用圆形 (o)、正方形 (s) 和方块 (D) 来标记。

sns.set_style('darkgrid')
sns.set_palette('colorblind')
sns.pairplot(iris_data, hue='class', markers=['o','s','d'])

C:\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





<seaborn.axisgrid.PairGrid at 0x1b2673865c0>

在这里插入图片描述

1.6 子集图

如果我们不想展示所有变量之间的关系图，我们可以选择子集图。

将风格设置为 whitegrid (背景变成带网格的白色)，并将横轴和纵轴赋予相同的子集变量 (都是 vars)。

sns.set_style('whitegrid')
sns.pairplot(iris_data, vars=['sepal_width_cm','sepal_length_cm'])

<seaborn.axisgrid.PairGrid at 0x1b26a18dc88>

在这里插入图片描述

将风格设置为 white (背景变成白色)，并将横轴和纵轴赋予不同的子集变量 (x_vars 和 y_vars)。

sns.set_style('white')
sns.pairplot( iris_data, 
              x_vars=['sepal_width_cm', 
                      'sepal_length_cm'],
              y_vars=['petal_width_cm', 
                      'petal_length_cm']);

在这里插入图片描述

1.7 线性回归图

pairplot() 除了画出变量之间的关系图，通过设置里面参数 kind = ‘reg’，还可在非对角图上对那些散点做线性回归。

sns.set_style('ticks')
sns.set_palette('dark')
sns.pairplot(iris_data, kind='reg')

C:\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





<seaborn.axisgrid.PairGrid at 0x1b26aa0fac8>

在这里插入图片描述

有个细节：色板设置成 dark，颜色顿时暗淡了许多 (深蓝)。

1.8 核密度图

pairplot() 除了画出变量之间的关系图，通过设置里面参数 diag_kind = ‘kde’，还可在对角图上对那些直方图的点做核密度估计 (KDE, kernel density estimation)，该技巧在做平滑数据时用到。

sns.set_palette('bright')
sns.pairplot(iris_data, diag_kind='kde')

C:\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





<seaborn.axisgrid.PairGrid at 0x1b26b1aa518>

在这里插入图片描述

2 广度了解 Seaborn

在本节中我们用 Seaborn 提供了内置数据集 Titantic 来展示

  • 条形图 (barplot)
  • 计数图 (countplot)
  • 点图 (pointplot)
  • 箱形图 (boxplot)
  • 小提琴图 (violinplot)

然后用 Iris 数据来展示

  • 箱形水平图 (boxplot h)
  • 双变量分布图 (jointplot)

首先加载 Titanic 的数据。

titanic = sns.load_dataset('titanic')
titanic.head(3).append(titanic.tail(3))
survivedpclasssexagesibspparchfareembarkedclasswhoadult_maledeckembark_townalivealone
003male22.0107.2500SThirdmanTrueNaNSouthamptonnoFalse
111female38.01071.2833CFirstwomanFalseCCherbourgyesFalse
213female26.0007.9250SThirdwomanFalseNaNSouthamptonyesTrue
88803femaleNaN1223.4500SThirdwomanFalseNaNSouthamptonnoFalse
88911male26.00030.0000CFirstmanTrueCCherbourgyesTrue
89003male32.0007.7500QThirdmanTrueNaNQueenstownnoTrue

Titanic 数据集是非常适合数据科学和机器学习新手入门练习的数据集，它包含 1912 年泰坦尼克号沉船事件中一些乘客的个人信息以及存活状况。点击下图看该数据集的变量解释。

还是用引言中自定义的调色板


sns.set_palette( color )
sns.palplot( sns.color_palette(color,11) )

在这里插入图片描述

2.1 条形图

对于男性和女性 (x=‘sex’)，根据不同船票各等舱 (hue=‘class’)，统计其生还率 (y=‘survived’)。用颜色区分舱的等级。

sns.pairplot(x='sex', y='survived', hue='class', data=titanic)
sns.barplot( x='sex', 
             y='survived',
             hue='class',
             data=titanic )

C:\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





<matplotlib.axes._subplots.AxesSubplot at 0x1b26ce461d0>

在这里插入图片描述

值得注意的是，条形图不仅显示点估计值 (point estimate)，还显示了置信区间 (confidence interval)。

由图可知，做一等舱和二等舱的女人生还率最高，三等舱的女人也比一等舱的男人生还率高。

2.2 计数图

统计每层客舱 (x=‘deck’) 里的人数。

sns.countplot(x='deck', data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1b26ce98e80>

在这里插入图片描述

C 舱里人数最多，G 舱里人数最少。

2.3 点图

统计每等舱 (x=‘class’) 不同性别 (hue='sex‘) 的生还率 (y=‘survived’)。用颜色区分性别。

sns.pointplot(x='class', 
             y='survived',
             hue='sex',
             data=titanic,
             markers=['^','o'],
             linestyles=['-','--'])



C:\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





<matplotlib.axes._subplots.AxesSubplot at 0x1b26cf1bf28>

在这里插入图片描述

点图也显示点估计和置信区间，由图可知，在各等舱中，女性生还率高于男性生还率高。

2.4 箱形图

统计在生还和死亡 (x=‘alive’) 成年和未成年男性 (hue=‘adult_male’) 的年龄分布 (y=‘age’)。用颜色区分是否成年。

sns.boxplot(x='alive',
           y='age',
           hue='adult_male',
           data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1b26cffa390>

在这里插入图片描述

由图可看出，生还或死亡的男性在成年和未成年下的年龄分布很相似。

2.5 小提琴图

统计在男性和女性 (x=‘sex’) 两类里生还和死亡 (hue=‘survived’) 的年龄分布 (y=‘age’)。用颜色区分生还率。

sns.violinplot(x='sex',
              y='age',
              hue='survived',
              data=titanic)

C:\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





<matplotlib.axes._subplots.AxesSubplot at 0x1b26d0c1c88>

在这里插入图片描述

2.6 箱形水平图

画出萼片长度，萼片宽度，花瓣长度和花瓣宽度的箱形图 (横向)。上节也可以用这个图来找异常值。

sns.boxplot(data=iris_data, orient='h')

<matplotlib.axes._subplots.AxesSubplot at 0x1b26aa2e0b8>

在这里插入图片描述

2.7 双变量分布图

置 kind =‘kde’ 用双变量分布图画出萼片长度和萼片宽度的一维分布。

sns.jointplot( 'sepal_length_cm', 'sepal_width_cm',
                data=iris_data,
                kind='kde')

C:\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





<seaborn.axisgrid.JointGrid at 0x1b26d0ecb00>

在这里插入图片描述

设置 kind =‘kde’ 用双变量分布图画出萼片长度和萼片宽度的线性关系。这时的分布用直方图表示。

sns.jointplot( 'sepal_length_cm', 'sepal_width_cm',
                data=iris_data,
                kind='reg')

C:\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





<seaborn.axisgrid.JointGrid at 0x1b26d1298d0>

在这里插入图片描述

3 总 结

Seaborn 就是 Matplotlib 的升级版，底层绘图逻辑和元素层级就不用再重复了。

Seaborn 比 Matplotlib 强大的三个地方就是：

  • 代码简单，基本都是一句话 (one-liner) 就可以画出变量之间统计关系图
  • 能够处理分类 (categorical) 变量 (不仅仅只能处理连续变量)
  • 颜色更加丰富好看 (不过这个看个人喜好)

下篇讨论用于炫酷可视化工具 PyEcharts 。Stay Tuned!

耳森Paulson
关注
  • 5
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python Seaborn教程
从零开始的教程世界
07-15 1560
Python Seaborn教程 (Python Seaborn Tutorial) Seaborn is a library for making statistical infographics in Python. It is built on top of matplotlib and also supports numpy and pandas data structures. It ...
python数据科学系列：seaborn入门详细教程
wy122222222的博客
07-01 4622
01 初始seaborn seaborn是python中的一个可视化库，是对matplotlib进行二次封装而成，既然是基于matplotlib，所以seaborn的很多图表接口和参数设置与其很是接近。相比matplotlib而言，个人认为seaborn的几个鲜明特点如下： 绘图接口更为集成，可通过少量参数设置实现大量封装绘图 多数图表具有统计学含义，例如分布、关系、统计、回归等 对Pandas和Numpy数据类型支持非常友好 风格设置更为多样，例如风格、绘图环境和颜色配置等 正是由于seaborn的这些特
已解决Error: No Matching Distribution Found for XXX
最新发布
猫头虎
05-07 3631
在这篇技术博客中，我们将详细探讨一个常见的Python包安装错误 —— “无法找到符合你的Python版本或系统架构的包版本”。这篇文章会通过深入分析错误原因、提供详细的解决步骤、操作命令和代码示例，全面而详尽地帮助你解决这个问题。我们还会探讨如何避免此类问题的再次发生，并通过QA环节加深理解。最后，文章会总结并展望AI技术领域的未来发展趋势。通过本文的详细步骤，我们可以有效解决“无匹配分发版”这一常见的Python包安装问题。记得核查Python版本、系统架构和源的选择，这是关键所在。未来趋势。
python seaborn教程_Seaborn教程
weixin_39626089的博客
12-20 298
1、引言在大数据时代，数据挖掘的工作越来越重要，而从数据中提取出来有吸引力的图表更是一件非常重要的事情。而除了Matplotlib，基于其开发的Seaborn在数据可视化方面功能也非常强大。相比于Matplotlib来说，Seaborn提供更高层次的API，可以让你在不需要了解那么多底层参数的情况下，同样能够画出比较有吸引力的图表。本文参照来源：Official seaborn tutorial​...
python seaborn教程_Seaborn绘图简明教程
weixin_39625747的博客
12-20 1127
Seaborn 是 Python 的数据可视化工具之一，它其实是在 Matplotlib 的基础上进行了更高级的 API 封装。Seaborn 可视为 Matplotlib 的补充，而不是替代，使用 Seaborn 可以更轻松地画出更漂亮的图形。Seaborn 的特点如下：内置数个经过优化的样式效果；增加调色板工具，可以很方便地为数据搭配颜色；单变量和双变量分布绘图更为简单，可用于对数据子集相互比...
Python绘图库之：seaborn教程
C++ JAVA的专栏
10-09 265
Python绘图库之：seaborn教程
python-3.9.10-amd64.exe 安装包windows
02-22
Python是一种广泛使用的高级编程语言，尤其在Web开发、数据分析、人工智能和自动化等领域有着重要的应用。Python 3.9.10是Python语言的一个版本，它针对AMD64架构（也称为x86-64）进行了优化，适用于64位Windows操作...
Python数据科学速查表 - Seaborn.pdf
08-19
Python数据科学速查表 - Seaborn.pdf
Python库 | seaborn-0.7.0.tar.gz
05-21
资源分类：Python库 所属语言：Python 资源全名：seaborn-0.7.0.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
Python库 | osducli-0.0.15-py3-none-any.whl
02-18
《Python库osducli-0.0.15-py3-none-any.whl深度解析》 在Python的世界里，库是开发者的重要工具，它们提供了丰富的功能，极大地简化了编程工作。今天我们要关注的是一个名为"osducli"的Python库，它的版本为0.0.15...
Python库 | dexp-2021.6.4.932-py2.py3-none-any.whl
03-18
Python社区中有许多类似的库，如Pandas用于数据操作，Numpy用于数值计算，Matplotlib和Seaborn用于数据可视化。 **Python Wheel格式** 提到的文件`dexp-2021.6.4.932-py2.py3-none-any.whl`是Python的Wheel格式，...
Seaborn中文用户指南.docx
10-12
1. 目录 1. 目录 2 2. 绘图函数Plotting functions 4 2.1. 可视化的统计关系Visualizing statistical relationships 4 2.1.1. 用散点图联系变量Relating variables with scatter plots 4 2.1.2. 强调线条图的连续性Emphasizing continuity with line plots 10 2.1.3. 显示与切面的多个关系Showing multiple relationships with facets 21 2.2. 分类数据绘图Plotting with categorical data 24 2.2.1. 分类散点图Categorical scatterplots 26 2.2.2. 分类观测值分布Distributions of observations within categories 31 2.2.3. 分类统计估计Statistical estimation within categories 37 2.2.4. 对“wide-form”数据作图Plotting “wide-form” data 41 2.2.5. 显示与facet的多个关系Showing multiple relationships with facets 43 2.3. 可视化数据集的分布Visualizing the distribution of a dataset 44 2.3.1. 绘制单变量分布Plotting univariate distributions 45 2.3.2. 绘制二元分布Plotting bivariate distributions 51 2.3.3. 在数据集中可视化成对关系Visualizing pairwise relationships in a dataset 55 2.4. 可视化线性关系Visualizing linear relationships 57 2.4.1. 函数绘制线性模型Functions to draw linear regression models 58 2.4.2. 拟合不同种类的模型Fitting different kinds of models 61 2.4.3. 在其他变量上的情况Conditioning on other variables 68 2.4.4. 控制图表的大小和形状Controlling the size and shape of the plot 71 2.4.5. 在其他上下文中绘制回归图Plotting a regression in other contexts 73 3. 多图网格Multi-plot grids 76 3.1. 构建结构化的多图网格Building structured multi-plot grids 76 3.2. 有条件的小倍数Conditional small multiples 77 3.3. 使用定制函数Using custom functions 86 3.4. 绘制成对的数据关系Plotting pairwise data relationships 90 4. 绘图美学Plot aesthetics 99 4.1. 控制图表美学Controlling figure aesthetics 99 4.1.1. Seaborn图表风格Seaborn figure styles 101 4.1.2. 删除轴上的小凸起Removing axes spines 104 4.1.3. 临时设置图表样式Temporarily setting figure style 105 4.1.4. 覆盖Seaborn样式的元素Overriding elements of the seaborn styles 106 4.1.5. 缩放图表元素Scaling plot elements 108 4.2. 选择调色板Choosing color palettes 111 4.2.1. 创建颜色调色板Building color palettes 111 4.2.2. 定性调色板Qualitative color palettes 112 4.2.3. 连续调色板Sequential color palettes 116 4.2.4. 不同颜色的调色板Diverging color palettes 122 4.2.5. 设置默认调色板Setting the default color palette 124 5. 教程中的数据集 125
python seaborn教程_Seaborn官方教程中文教程（一）
weixin_33037089的博客
01-28 658
使用语义映射绘制数据子集Plotting subsets of data with semantic mappingslineplot()拥有与relplot()、scatterplot()类似的灵活性：同样可以借助色调hue、尺寸size和样式style将三种变量展示在二维图表中。因此我们不用停下来思考如何使用matplotlib对点线具体的参数进行设置。使用lineplot()也会诊断数据如何...
【Python基础】seaborn 使用指南（超详细！）
你一定能够成为你想要去成为的人。
02-05 4088
seaborn ：带着定制主题和高级界面控制的Matplotlib扩展包，兼容Numpy与Pandas数据结构；官网地址：http://seaborn.pydata.org/index.html (http://seaborn.pydata.org/index.html)
seaborn使用教程
所爱隔山海
04-07 770
最近为了做数据挖掘的比赛，在不断学习python的这些库，同时学习机器学习的一些算法比如决策树的ID3，C4.5，CART三个算法，SVM，随机森林，梯度提升决策树算法…鉴于我对这些算法的理解还不够深入，因此还是先放我学习python库的代码。之后要实现一下底层，先实现一个ID3试试。 下面给出seaborn的示例代码： import numpy as np import pandas as pd...
Seaborn中文教程（五）：通过“多图网格”结构化展示多维数据
老Q的折腾手记
12-21 5530
当探索具有中等数量（不多不少的意思……）维度的数据集时，一个很好的方式是基于不同的子数据集构建不同的实例，并将它们以网格的方式组织在一张图之中。这种技术有时被称为“lattice”或“trellis”（大概是格子图、网格图），这跟“small multiples”的概念类似（多张更小的子图）。它能帮助我们快速从复杂的数据中提取大量信息。matplotlib对于创建带有多个坐标轴（每个坐标轴体系意味...
yolov5不识别，深度学习无效，1660s显卡
zhongruizhe的博客
04-13 3583
一定要避坑啊！！！ 这些Tensor核心！！！不能进行深度学习，千万不要买这些显卡！！！！
python踩坑日常（FileNotFoundError: Could not find module.......gfortran-win_amd64.dll）
热门推荐
qq_42448606的博客
02-11 1万+
报错： FileNotFoundError: Could not find module 'D:\Anaconda3\lib\site-packages\scipy\.libs\libbanded5x.EHDKC2XVYTQQ5MALRS6XN2CUSS6SRL6P.gfortran-win_amd64.dll' (or one of its dependencies). Try using the full path with constructor syntax. 网上找半天，有几种不同的说法： 1.s
Python 科学计算—— 数值问题
02-20 5525
1. malloc ==> stdlib.h 2. cstdlib ==> exit 3. typeid 4. toupper/tolower
https://github.com/mwaskom/seaborn-data
03-16
Seaborn是一个基于matplotlib的Python数据可视化库，它提供了更高级别的接口和更美观的默认样式，使得数据可视化更加简单和直观。这个仓库中的数据集可以帮助用户更好地理解Seaborn的使用方法和效果。

“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
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