seaborn随笔

最新推荐文章于 2022-08-09 22:16:12 发布
最新推荐文章于 2022-08-09 22:16:12 发布
阅读量1k 收藏 1
点赞数
分类专栏： # 机器学习 文章标签： python 机器学习 深度学习 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/qq_43966129/article/details/121699662
版权

seaborn随笔

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline

# 自定义函数的方式观察matplotlib的作图风格
def sinplot(flip=1):
    # 在0-14的区间上取100个点
    x = np.linspace(0,14,100)
    for i in range(1,7):
        plt.plot(x,np.sin(x+i*.5)*(7-i)*flip)
sinplot()

在这里插入图片描述

# 使用seaborn的默认设置
sns.set()
sinplot()
'''
5种主题风格，darkgrid,whitegird,dark,white,ticks
'''

在这里插入图片描述

# sns.set_style("whitegrid")
# sns.set_style("dark")
# sns.set_style("white")
sns.set_style("ticks")
data = np.random.normal(size=(20,6)) + np.arange(6) / 2
sns.boxplot(data=data)

在这里插入图片描述

sinplot()
# 去掉最上面和右面的刻度线
sns.despine()

在这里插入图片描述

sns.violinplot(data)
# offset=10设置图形与轴线的距离
sns.despine(offset=30)

在这里插入图片描述

sns.set_style("whitegrid")
sns.boxplot(data=data,palette="deep")
# 指定哪个轴的竖线被隐藏
sns.despine(left=True)

在这里插入图片描述

# 用with打开style风格
with sns.axes_style("darkgrid"):
    plt.subplot(211)
    sinplot()
plt.subplot(212)
sinplot(-1)

在这里插入图片描述

# 用seaborn的默认值
sns.set()

# 设置画图域的大小和线条大小
sns.set_context("paper")
plt.figure(figsize=(8,6))
sinplot()

在这里插入图片描述

sns.set_context("talk")
plt.figure(figsize=(8, 6))
sinplot()

在这里插入图片描述

sns.set_context("poster")
plt.figure(figsize=(8, 6))
sinplot()

在这里插入图片描述

# font_scale字体的风格，lines.linewidth指定线条的粗细
sns.set_context("notebook", font_scale=2.5, rc={"lines.linewidth": 3.5})
sinplot()

在这里插入图片描述

调色板：

颜色很重要
color_palette()能传入任何Matplotlib所支持的颜色
color_palette()不写参数则默认颜色
set_palette()设置所有图的颜色

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
sns.set(rc={"figure.figsize": (6, 6)})

# 分类色板:默认的颜色循环主题
current_palette = sns.color_palette()
sns.palplot(current_palette)

在这里插入图片描述

圆形画板

当你有六个以上的分类要区分时，最简单的方法就是在一个圆形的颜色空间中画出均匀间隔的颜色(这样的色调会保持亮度和饱和度不变)。这是大多数的当他们需要使用比当前默认颜色循环中设置的颜色更多时的默认方案。

最常用的方法是使用hls的颜色空间，这是RGB值的一个简单转换。

# 需要几个颜色，后面的数字就可以写成几
sns.palplot(sns.color_palette("hls",8))

在这里插入图片描述

# 想要将上述的八种颜色放入数据当中
data = np.random.normal(size=(20, 8)) + np.arange(8) / 2
sns.boxplot(data=data,palette=sns.color_palette("hls", 8))

在这里插入图片描述

hls_palette()函数来控制颜色的亮度和饱和

    l-亮度 lightness
    s-饱和 saturation

# 8,l=.5,s=.9 八种颜色，调节亮度和饱和度
sns.palplot(sns.hls_palette(8,l=.5,s=.9))

在这里插入图片描述

# Paired调出的颜色是一对一对的，两个颜色是相近,浅深之分
sns.palplot(sns.color_palette("Paired",10))

在这里插入图片描述

使用xkcd颜色来命名颜色

xkcd包含了一套众包努力的针对随机RGB色的命名。产生了954个可以随时通过xdcd_rgb字典中调用的命名颜色。

# 用数组指定一些点，然后lw=3指的是线宽，指定固定颜色可以用xkcd
plt.plot([0, 1], [0, 1], sns.xkcd_rgb["pale red"], lw=3)
plt.plot([0, 1], [0, 2], sns.xkcd_rgb["medium green"], lw=3)
plt.plot([0, 1], [0, 3], sns.xkcd_rgb["denim blue"], lw=3)

在这里插入图片描述

colors = ["windows blue", "amber", "greyish", "faded green", "dusty purple"]
sns.palplot(sns.xkcd_palette(colors))

在这里插入图片描述

连续色板

色彩随数据变换，比如数据越来越重要则颜色越来越深

sns.palplot(sns.color_palette("Blues"))

在这里插入图片描述

# 如果想要翻转渐变，可以在面板名称中添加一个_r后缀
sns.palplot(sns.color_palette("BuGn_r"))

在这里插入图片描述

cubehelix_palette()调色板

色调线性变换,即当前的亮度和饱和度线性变换

sns.palplot(sns.color_palette("cubehelix", 8))

在这里插入图片描述

# 指定颜色的分布情况
# start指定颜色区间，观察色彩变换
sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75))

在这里插入图片描述

sns.palplot(sns.cubehelix_palette(8, start=.75, rot=-.150))

在这里插入图片描述

light_palette() 和dark_palette()调用定制连续调色板

# 其实也就是指定颜色深浅变换 light_palette从浅到深
sns.palplot(sns.light_palette("green"))
# 反转
sns.palplot(sns.light_palette("navy", reverse=True))

在这里插入图片描述

# dark_palette从深到浅
sns.palplot(sns.dark_palette("purple"))

在这里插入图片描述

x, y = np.random.multivariate_normal([0, 0], [[1, -.5], [-.5, 1]], size=300).T
pal = sns.dark_palette("green", as_cmap=True)
sns.kdeplot(x, y, cmap=pal);

在这里插入图片描述

# 如果对颜色空间熟悉，可以指定空间husl，然后指定它的值(210, 90, 60)，大部分都是用默认值就行
sns.palplot(sns.light_palette((210, 90, 60), input="husl"))

在这里插入图片描述

%matplotlib inline
import numpy as np
import pandas as pd
from scipy import stats, integrate
import matplotlib.pyplot as plt

import seaborn as sns
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "distributions")))

# 做直方图
x = np.random.normal(size=100)
# kde这个属性就是看是否做密度估计
sns.distplot(x,kde=False)

在这里插入图片描述

# 指定几等份,将数据切分成20个小块
sns.distplot(x,bins=20,kde=False)

在这里插入图片描述

# 数据分布情况
x = np.random.gamma(6, size=200)
# fit指的是当前的统计指标
sns.distplot(x, kde=False, fit=stats.gamma)

在这里插入图片描述

# 根据均值和协方差生成数据
mean, cov = [0, 1], [(1, .5), (.5, 1)]
# 生成200个数据
data = np.random.multivariate_normal(mean, cov, 200)
df = pd.DataFrame(data, columns=["x", "y"])
df

# 观测两个变量之间的分布关系最好用散点图
sns.jointplot(x="x",y="y",data=df)

在这里插入图片描述

# 想观察哪个区域分布的数据多，如果点比较多，观察就会很费劲，全是蓝色点
# hex图可以帮助解决上述问题
x, y = np.random.multivariate_normal(mean, cov, 1000).T
with sns.axes_style("white"):
    sns.jointplot(x=x, y=y, kind="hex", color="k")

在这里插入图片描述

# 如果有四个特征，想观察两两特征之间的关系
# iris是一种花的数据集，但是直接写会报错，需要下载数据集到seaborn-data文件夹里面
# github上下载地址：https://github.com/mwaskom/seaborn-data,将所有文件拖进电脑中seaborn-data的空文件夹里即可。
iris =sns.load_dataset("iris")
sns.pairplot(iris)
# 分析：对角线上的图就是直方图，因为自变量和因变量都是自己，其它位置都是散点图

在这里插入图片描述

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(color_codes=True)
np.random.seed(sum(map(ord,"regression")))
tips = sns.load_dataset("tips")
tips.head()

# regplot()和lmplot()都可以绘制回归关系,推荐regplot()
sns.regplot(x="total_bill",y="tip",data=tips)

在这里插入图片描述

sns.lmplot(x="total_bill", y="tip", data=tips);

在这里插入图片描述

sns.regplot(data=tips,x="size",y="tip")

在这里插入图片描述

# 上面的点都在一条直线上，不符合数据的随机性，x_jitter指定浮动范围，可以让回归模型更准确
sns.regplot(x="size", y="tip", data=tips, x_jitter=.05)

在这里插入图片描述

sns.set(style="whitegrid", color_codes=True)

np.random.seed(sum(map(ord, "categorical")))
titanic = sns.load_dataset("titanic")
tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")

# 重叠是很常见的现象，但是重叠影响我观察数据的量了
sns.stripplot(x="day", y="total_bill", data=tips);

在这里插入图片描述

sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)

在这里插入图片描述

# jitter使数据不太均匀，swarmplot让数据更加均匀分布
sns.swarmplot(x="day", y="total_bill", data=tips)

在这里插入图片描述

# hue="sex"以这个属性为标准
sns.swarmplot(x="day", y="total_bill", hue="sex",data=tips)

在这里插入图片描述

# 坐标颠倒
sns.swarmplot(x="total_bill", y="day", hue="time", data=tips);

在这里插入图片描述

盒图

IQR即统计学概念四分位距，第一/四分位与第三/四分位之间的距离
Q3第三/四分位，Ｑ1第一/四分位
N = 1.5IQR 如果一个值>Q3+N或　<　Ｑ1-N,则为离群点

sns.boxplot(x="day", y="total_bill", hue="time", data=tips);
# 这个菱形就是离群点

在这里插入图片描述

# violinplot小提琴图
sns.violinplot(x="total_bill", y="day", hue="time", data=tips);

在这里插入图片描述

#  上面那个把属性分开了，不方便观察，split=True 指定左右各表示一种属性，更加方便
sns.violinplot(x="day", y="total_bill", hue="sex", data=tips, split=True);

在这里插入图片描述

sns.violinplot(x="day", y="total_bill", data=tips, inner=None)
# alpha值指的是透明度
sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5)

在这里插入图片描述

# 显示值的集中趋势可以用条形图  hue="class"指的是看class指标
sns.barplot(x="sex", y="survived", hue="class", data=titanic);

在这里插入图片描述

# 点图可以更好的描述变化差异
sns.pointplot(x="sex", y="survived", hue="class", data=titanic);

在这里插入图片描述

# palette设置颜色；markers指的是设置点的样式，三角圆形；linestyles是线形，虚线实线
sns.pointplot(x="class", y="survived", hue="sex", data=titanic,
              palette={"male": "g", "female": "m"},
              markers=["^", "o"], linestyles=["-", "--"]);

在这里插入图片描述

# 想横着画盒图，orient
sns.boxplot(data=iris,orient="h");

在这里插入图片描述

# 多层面板分类图
# 不指定，默认是折线图
sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips)

在这里插入图片描述

# 指定为条形图
sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips, kind="bar")

在这里插入图片描述

# 树状图
sns.factorplot(x="day", y="total_bill", hue="smoker",
               col="time", data=tips, kind="swarm")

在这里插入图片描述

# 盒图 aspect是长宽比；size是大小
sns.factorplot(x="time", y="total_bill", hue="smoker",
               col="day", data=tips, kind="box", size=4, aspect=.5)

在这里插入图片描述

seaborn.factorplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind=‘point’, size=4, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)

Parameters：

    x,y,hue 数据集变量 变量名
    date 数据集 数据集名
    row,col 更多分类变量进行平铺显示 变量名
    col_wrap 每行的最高平铺数 整数
    estimator 在每个分类中进行矢量到标量的映射 矢量
    ci 置信区间 浮点数或None
    n_boot 计算置信区间时使用的引导迭代次数 整数
    units 采样单元的标识符，用于执行多级引导和重复测量设计 数据变量或向量数据
    order, hue_order 对应排序列表 字符串列表
    row_order, col_order 对应排序列表 字符串列表
    kind : 可选：point 默认, bar 柱形图, count 频次, box 箱体, violin 提琴, strip 散点，swarm 分散点 size 每个面的高度（英寸） 标量 aspect 纵横比 标量 orient 方向 "v"/"h" color 颜色 matplotlib颜色 palette 调色板 seaborn颜色色板或字典 legend hue的信息面板 True/False legend_out 是否扩展图形，并将信息框绘制在中心右边 True/False share{x,y} 共享轴线 True/False

%matplotlib inline
import numpy as np
import pandas as pd
import seaborn as sns
from scipy import stats
import matplotlib as mpl
import matplotlib.pyplot as plt

sns.set(style="ticks")
np.random.seed(sum(map(ord, "axis_grids")))

g = sns.FacetGrid(tips,col="time")

在这里插入图片描述

g = sns.FacetGrid(tips, col="time")
# 将指定的图形放入map中 条形图
g.map(plt.hist, "tip");

在这里插入图片描述

g = sns.FacetGrid(tips, col="sex", hue="smoker")
# 散点图；alpha透明度，越小越透明
g.map(plt.scatter, "total_bill", "tip", alpha=.7) 
# 指定smoker右边的说明项，说明yes和no分别代表什么颜色
g.add_legend();

在这里插入图片描述

g = sns.FacetGrid(tips, row="smoker", col="time", margin_titles=True)
# color 的数值越大越透明；fit_reg指的是回归线
g.map(sns.regplot, "size", "total_bill", color=".1", fit_reg=False, x_jitter=.1);

在这里插入图片描述

# 设置长宽比和大小
g = sns.FacetGrid(tips, col="day", size=4, aspect=.5)
g.map(sns.barplot, "sex", "total_bill");

在这里插入图片描述

from pandas import Categorical
ordered_days = tips.day.value_counts().index
print (ordered_days)
ordered_days = Categorical(['Thur', 'Fri', 'Sat', 'Sun'])
g = sns.FacetGrid(tips, row="day", row_order=ordered_days,
                  size=1.7, aspect=4,)
g.map(sns.boxplot, "total_bill");

在这里插入图片描述

from pandas import Categorical
ordered_days = tips.day.value_counts().index
print (ordered_days)
# 改变顺序
ordered_days = Categorical(['Thur', 'Fri', 'Sat', 'Sun'])
g = sns.FacetGrid(tips, row="day", row_order=ordered_days,
                  size=1.7, aspect=4,)
g.map(sns.boxplot, "total_bill");

在这里插入图片描述

pal = dict(Lunch="seagreen", Dinner="gray")
# palette调色板
g = sns.FacetGrid(tips, hue="time", palette=pal, size=5)
# s表示圆圈的大小
g.map(plt.scatter, "total_bill", "tip", s=50, alpha=.7, linewidth=.5, edgecolor="white")
g.add_legend();

在这里插入图片描述

# marker图形的形状
g = sns.FacetGrid(tips, hue="sex", palette="Set1", size=5, hue_kws={"marker": ["^", "v"]})
g.map(plt.scatter, "total_bill", "tip", s=100, linewidth=.5, edgecolor="white")
g.add_legend();

在这里插入图片描述

with sns.axes_style("white"):
    g = sns.FacetGrid(tips, row="sex", col="smoker", margin_titles=True, size=2.5)
g.map(plt.scatter, "total_bill", "tip", color="#334488", edgecolor="white", lw=.5);
g.set_axis_labels("Total bill (US Dollars)", "Tip");
# xticks是设置X轴的刻度取值
g.set(xticks=[10, 30, 50], yticks=[2, 6, 10]);
# wspace设置子图的宽间隔
g.fig.subplots_adjust(wspace=.52, hspace=.02);
# 调节整体偏移
#g.fig.subplots_adjust(left  = 0.125,right = 0.5,bottom = 0.1,top = 0.9, wspace=.02, hspace=.02)

在这里插入图片描述

iris = sns.load_dataset("iris")
# 两两变量之间
g = sns.PairGrid(iris)
g.map(plt.scatter);

在这里插入图片描述

g = sns.PairGrid(iris)
# 指定对角线和非对角线应该画什么图形
g.map_diag(plt.hist)
g.map_offdiag(plt.scatter);

在这里插入图片描述

g = sns.PairGrid(iris, hue="species")
g.map_diag(plt.hist)
g.map_offdiag(plt.scatter)
g.add_legend();

在这里插入图片描述

# 不想画四个特征，可以用vars指定特征
g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"], hue="species")
g.map(plt.scatter);

在这里插入图片描述

g = sns.PairGrid(tips, hue="size", palette="GnBu_d")
g.map(plt.scatter, s=50, edgecolor="white")
g.add_legend();

在这里插入图片描述

# 热度图绘制，把变化的趋势用颜色表示出来
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np; 
np.random.seed(0)
import seaborn as sns;
sns.set()

uniform_data = np.random.rand(3, 3)
print (uniform_data)
heatmap = sns.heatmap(uniform_data)

在这里插入图片描述

# vmin指的是调色板最小的取值，vmax最大，超出最大值就都是最大值那个颜色，最小值同理
ax = sns.heatmap(uniform_data, vmin=0.2, vmax=0.5)

在这里插入图片描述

normal_data = np.random.randn(3, 3)
print (normal_data)
# center=0就是以0为中心画这个数据
ax = sns.heatmap(normal_data, center=0)

在这里插入图片描述

flights = sns.load_dataset("flights")
flights.head()

flights = flights.pivot("month", "year", "passengers")
print (flights)
ax = sns.heatmap(flights)

在这里插入图片描述

# 把实际的值放入图中，fmt设置文字的格式，不加就会乱
ax = sns.heatmap(flights, annot=True,fmt="d")

在这里插入图片描述

# 设置格子之间的间距，使图像更加清晰
ax = sns.heatmap(flights, linewidths=.5)

在这里插入图片描述

# 指定自己的调色板
ax = sns.heatmap(flights, cmap="YlGnBu")

在这里插入图片描述

# 将右边的颜色条隐藏
ax = sns.heatmap(flights, cbar=False)

在这里插入图片描述

最白の白菜
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
R语言学习笔记之热图绘制
R语言中文社区
07-11 3万+
作者简介taoyan：R语言中文社区特约作家，伪码农，R语言爱好者，爱开源。个人博客: https://ytlogos.github.io/简介本文将绘制静态与交互式热图...
使用Seaborn库绘制图时的颜色选择，怎么把图例移除图外。
qq_38939498的博客
03-07 2794
使用Seaborn绘制图 我们再使用Seaborn绘制图的时候会出现颜色选择的困惑。下面这个图是seaborn的一些图库。 但是有这个图是不够用的，因为seaborn中的图库需要进行转化，比如你想使用黄色这个颜色，简单的如下代码是不行的， import seaborn as sns colors=['yellow'] sns.scatterplot(x=x,y=y,hue=c,palette=colors) 上述的代码不行的，必须配合下表（表格放到后面了），比如将颜色转化为相应的代码，将yello转化为
python加粗线宽代码_python-控制seaborn热图中的单个线宽
weixin_39596720的博客
12-05 868
有可能,但可能需要做很多工作.可能的解决方案可能如下所示.它涉及绘制6个不同的热图,并调整间距以使其看起来不错.然后,还需要同步颜色缩放并手动设置颜色栏.import matplotlibimport matplotlib.pyplot as pltimport numpy as np; np.random.seed(0)import seaborn as sns; sns.set()data =...
markdown编辑器语法学习
yescomecn的博客
09-09 164
一、markdown 语法 1.标题 # 这是一级标题` ## 这是二级标题 ### 这是三级标题 #### 这是四级标题 ##### 这是五级标题 ###### 这是六级标题 2.代码段 这是一段代码 这是多行代码 print(123) 3.超链接 [baidu](http://www.baidu.com) baidu 4.图片 122331232 ...
python heatmap总结
qq_45759229的博客
08-09 807
python heatmap总结
seaborn常用数据案例
最新发布
04-21
anagrams、anscombe、attention、brain_networks、car_crashes、diamonds、dots、dowjones、exercise、flights、fmri、geyser、glue、healthexp、iris、mpg、penguins、planets、seaice、taxis、tips、titanic
seaborn学习代码
12-03
包括单变量分布：灰度图、核密度估计、模型参数拟合；双变量分布：散点图、 六角箱图、核密度估计；观测点的直接展示：swarmplot, stripplot；观测近似分布的展示：boxplot, violinplot；均值和置信区间的展示：...
seaborn-0.11.0-py3
01-08
本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，...
seaborn使用可视化介绍
09-28
seaborn可视化介绍 Seaborn是一个基于matplotlib的图形可视化Python包，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...
seaborn-data-master.zip
07-05
Seaborn是一个基于Python的数据可视化库，它建立在matplotlib之上，提供了高级接口用于创建美观且信息丰富的统计图形。这个"seaborn-data-master.zip"压缩包包含了一系列专门为seaborn库设计的数据集，用于演示和...
python sns可视化小技巧（纪录所得）
只想买把蝴蝶knife
01-02 6145
此文是为了纪录自己学习sns过程中的一些使图更好看的小技巧 参考网址：https://www.kaggle.com/maksymshkliarevskyi/acea-smart-water-eda-prediction 1.使坐标轴消失：因为sns的图是带有上下轴的，一般去掉右面与上面的坐标轴较多，可以使用这段代码 fig, ax = plt.subplots(figsize = figsize) ax.spines['top'].set_visible(top_visible) ax.spines['ri
python barplot函数_Python作图之一
weixin_39727005的博客
12-09 2796
介绍本文主要记录笔者在使用Python制作条形图中的一些脚本。代码# 导入数据import pandas as pddf = pd.read_excel('demo.xlsx', header=0, sheet_name='Sheet1')df.head()# 导入相关包import matplotlib.pyplot as pltimport seaborn as snsfrom pylab i...
数据分析05绘图和可视化之Seaborn
qq_16049419的博客
07-25 204
Seaborn和matplotlib对比 #导入库 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline #导入一个文件 iris = pd.read_csv('../homework/iris.csv') iris.head()...
【seaborn】（二）折线图
醉糊涂仙的博客
05-08 1万+
文章目录一、sns.plot()1.1 加载数据1.2 data1.3 x, y1.4 hue 基于某列的类别将y分成多条线，并分配不同线条颜色1.5 style基于某列的类别将y分成多条线，并分配不同线条颜色1.6 size 基于某列的类别将y分成多条线，并分配不同线条粗细程度1.7 markers 关键点是否做标记1.8 dashes 分组是否破折号显示 一、sns.plot() seabor...
python连续型单变量的数据可视化之hist、kdeplot、distplot
weixin_46713695的博客
07-03 4177
python连续变量的数据可视化之hist、kdeplot、displot
legend函数_ComplexHeatmap中legend位置的处理
weixin_42523975的博客
12-25 5349
在这篇文章中，我将介绍在ComplexHeatmap中legend的位置是如何自动调整的。注意这些新的特性只有在版本2.5.4之后才有。Legend在热图中看起来好像是很简单的一个部分，只要放在热图的一边就行了。其实在ComplexHeatmap中，legend的处理用了很多代码，也是最麻烦的一个部分。为了让legend的位置看起来更自然，我花了很多时间和精力在它上面。这篇文章只介绍le...
如何更改seaborn画热力图（heatmap）时的cbar长度
qq_37787732的博客
08-15 6675
如何更改seaborn画热力图（heatmap）时的cbar长度 首先要先把 cbar设为True，然后cbar_kws={“shrink”: n} n为0~1的数字，表示为缩短的比例。 sns.heatmap( ... cbar=True,cbar_kws={"shrink": 0.4})
python数据可视化seaborn（一）—— 整体样式与调色板
热门推荐
GengPeng的博客
12-19 1万+
很久之前对seaborn有过一些涉及但是没有深入探究，这次有趁着有数据可视化的需求，就好好学一学 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，在大多数情况下使用seaborn就能做出很具有吸引力的图，为数据分析提供了很大的便利性。但是应该把Seaborn视为matplotlib的补充，而不是替代物。 这次就从最基本的图标风格和调色板开始，学习s...
seaborn和pandas-missingno 的数据可视化--使用画图--缺失值分析
weixin_42053726的博客
01-01 8934
目录 0、seaborn包基本使用 1 pandas打印报表（推荐使用） 2 缺失值分析--Missingno 1，对于每一列数据进行分析缺失值 矩阵图 柱状图 热力图 3.画分布图--比如正太分布图seaborn 4、数据可视化-- 1，热度图seaborn--满足条件的数据的个数如年龄段为2的女生有多少人 2、柱状图（查看其中一个特征的每一个种类有多少--比如男性有多少，...
seaborn
06-01
Seaborn是基于matplotlib的Python可视化库，提供了一种高度交互式界面、便捷的绘图函数、美观的图形元素等功能，使得用户能够轻松地绘制出漂亮的统计图形。 Seaborn的主要特点有： - 美观的默认样式和颜色主题，可...

“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