简介
Seaborn是一种基于matplotlib的图形可视化库。他提前已经定义好了一套自己的风格。然后也封装了一系列的方便的绘图函数，之前通过matplotlib需要很多代码才能完成的绘图，使用seaborn可能就是一行代码的事情。
学习链接：https://www.bilibili.com/video/BV1tA411H7cQ?p=1
官网：https://seaborn.pydata.org/tutorial.html
安装
通过pip install seaborn即可安装
Seaborn关系绘图
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。
scatterplot：relplot(kind=‘scatter’)。
lineplot：relplot(kind=‘line’)。
基本使用
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips", cache=True, data_home='./seaborn-data-master')
print(tips.sample(5))
sns.relplot(x="total_bill", y="tip", data=tips)
plt.show()
# total_bill tip sex smoker day time size
# 22 15.77 2.23 Female No Sat Dinner 2
# 140 17.47 3.50 Female No Thur Lunch 2
# 102 44.30 2.50 Female Yes Sat Dinner 3
# 178 9.60 4.00 Female Yes Sun Dinner 2
# 49 18.04 3.00 Male No Sun Dinner 2
hue参数
hue参数是用来控制第三个变量的颜色显示的。比如我们在以上图的基础之上体现出星期几的参数，那么可以通过以下代码来实现：
sns.relplot(x="total_bill",y="tip",hue="day",data=tips)
col和row参数：
col和row，可以将图根据某个属性的值的个数分割成多列或者多行。比如在以上图的基础之上我们想要把Lunch(午餐)和Dinner(晚餐)分割成两个图来显示，那么可以通过以下代码来实现：
sns.relplot(x="total_bill",y="tip",hue="day",col="time",data=tips)
也可以再在row上添加一个新的变量，比如把性别按照行显示出来，代码如下：
sns.relplot(x="total_bill",y="tip",hue="day",col="time",row="sex",data=tips)
指定具体的列
有时候我们的图有很多，默认情况下会在一行中全部展示出来，那么我们可以通过col_wrap来指定具体多少列。示例代码如下：
sns.relplot(x="total_bill",y="tip",col="day",col_wrap=2,data=tips)
绘制折线图
relplot通过设置kind="line"可以绘制折线图。并且他的功能比plt.plot更加强大。plot只能指定具体的x和y轴的数据（比如x轴是N个数，y轴也必须为N个数）。而relplot则可以在自动在两组数据中进行计算绘图。示例代码如下：
import seaborn as sns
import matplotlib.pyplot as plt
fmri = sns.load_dataset("fmri",data_home='./seaborn-data-master')
sns.relplot(x="timepoint",y="signal",kind="line",data=fmri)
plt.show()
当然也可以添加其他的参数，用来控制整个图的样式和结构。示例代码如下：
# 设置hue为event，就会根据event来绘制不同的颜色
# 设置col为region，就会根据region值的个数来绘制指定个数的图
# 设置style为event，就会根据event来设置线条的样式
sns.relplot(x="timepoint",y="signal",kind="line",hue="event",col="region",style="event",data=fmri)
Seaborn分类绘图
分类图的绘制，采用的是sns.catplot来实现的。cat是category的简写。这个方法默认绘制的是分类散点图，如果想要绘制其他类型的图，同样也是通过kind参数来指定。并且分类绘图中，分成分类散点图，分类分布图，分类统计图。
分类散点图
分类散点图比较适合数据量不是很多的情况，他是用catplot来实现，但是也有以下两个特别的方法。
stripplot()：catplot(kind=“strip”)，默认的。
swarmplot()：catplot(kind=“swarm”)。
sns.catplot(x="day",y="total_bill",hue="sex",data=tips)
以上图展示的是按照星期几的分类散点图，看起来这些点有点重合，如果想要散开来，那么可以使用catplot(kind=“swarm”)。示例代码如下：
sns.catplot(x="day",y="total_bill",kind="swarm",data=tips,hue="sex")
catplot方法不能使用size和style参数。
横向分类散点图
想要将垂直的分类散点图变成横向的，只需要把x和y对应的值进行互换即可。
sns.catplot(y="day",x="total_bill",kind="swarm",data=tips,hue="sex")
分类分布图
分类分布图，主要是根据分类来看，然后在每个分类下数据的分布情况。也是通过catplot来实现，以下两个方法分别是不同的kind参数：
boxplot()：catplot(kind=“box”)。
violinplot()：catplot(kind=“violin”)。
箱线图
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
athletes = pd.read_csv("athlete_events.csv")
countries = {'CHN':'中国','JPN':"日本",'KOR':'韩国','USA':"美国",'CAN':"加拿大",'BRA':"巴西",'GBR':"英国",'FRA':"法国",'ITA':"意大利",'ETH':"埃塞俄比亚",'KEN':"肯尼亚",'NIG':"尼日利亚",}
plt.rcParams['font.sans-serif'] = ['FangSong']
need_athletes = athletes[athletes['NOC'].isin(list(countries.keys()))]
g = sns.catplot(x="NOC",y="Height",data=need_athletes,kind="box",hue="Sex")
g.fig.set_size_inches(20,5)
g.set_xticklabels(list(countries.values()))
plt.show()
小提琴图
小提琴实际上就是两个对称的核密度曲线合并起来，然后中间是一个箱线图（也可以为其他图）组成的。通过小提琴图可以看出数据的分布情况。示例代码如下：
sns.catplot(x="day",y="total_bill",data=tips,kind="violin",hue="sex",split=True)
小提琴的中间默认绘制的是箱线图，也可以修改为其他类型的。可以通过inner参数修改，这个参数有以下几个选项：
- box：默认的，箱线图。
- quartile：四分位数。上下四分位数加中位数。
- point：散点
- stick：线条
分类统计图
分类统计图，则是根据分类，统计每个分类下的数据的个数或者比例。有以下几种方式：
barplot()：catplot(kind=“bar”)。
pointplot()：catplot(kind=“point”)。
countplot()：catplot(kind=“count”)。
条形图
seaborn中的条形图具有统计功能，可以统计出比例，平均数，也可以按照你想要的统计函数来统计。
- 统计平均数：
# 统计星期三到星期天的消费总额的平均数
sns.catplot(x="day",y="total_bill",data=tips,kind="bar")
- 统计比例：
# 统计男女中获救的比例
sns.catplot(data=titanic,kind="bar",x="sex",y="survived")
- 自定义统计函数：
# 自定义统计函数，统计出每个性别下获救的人数
sns.barplot(x="sex",y="survived",data=titanic,estimator=lambda values:sum(values))
柱状图
柱状图是专门用来统计某个单一变量出现数量的图形。
sns.catplot(x="sex",data=titanic,kind="count")
也可以通过使用hue参数来指定分组：
sns.catplot(x="sex",kind="count",data=tips,hue="day")
点线图
点线图可以非常方便的看到变量之间的趋势变化。
sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")
Seaborn分布绘图
单变量分布
单一变量主要就是通过直方图来绘制。在seaborn中直方图的绘制采用的是distplot，其中dist是distribution的简写
sns.set(color_codes=True)
titanic = titanic[~np.isnan(titanic['age'])]
sns.distplot(titanic['age'])
有以下常用参数：
- kde（核密度曲线）：这个代表是否要显示kde曲线，默认是显示的，如果显示kde曲线，那么y轴表示的就是概率，而不是数量。也可以设置为False关掉。
sns.distplot(titanic['age'],kde=False)
- bins：代表这个直方图显示的数量。也可以通过自己设置。
sns.distplot(titanic['age'],bins=30)
- rug：代表是否需要显示底部的胡须下线，下面的胡须线越密集的地方，说明数据量越多。
sns.distplot(titanic['age'],rug=True)
二变量分布
散点图
sns.jointplot(x="total_bill", y="tip", data=tips)
通过设置kind='reg’可以设置回归绘图和核密度曲线。
sns.jointplot(x="total_bill", y="tip", data=tips,kind="reg")
六边形图
对于一些数据量特别大的数据，用散点图不太利于观察，以采用六边形图来绘制，也就是将之前的散点变成六边形，六边形有一个区间大小，之前这些点落在这个六边形中越多颜色越深。通过gridsize设置六边形个数。
athletes = pd.read_csv("athlete_events.csv")
china_athletes = athletes[athletes['NOC']=='CHN']
sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex",gridsize=20)
jointplot其他常用参数：
x,y,data：绘制图的数据。
kind：scatter、reg、resid、kde、hex。
color：绘制元素的颜色。
height：图的大小，图会是一个正方形。
ratio：主图和副图的比例，只能为一个整形。
space：主图和副图的间距。
dropna：是否需要删除x或者y值中出现了NAN的值。
marginal_kws：副图的一些属性，比如设置bins、rug等。
成对绘图（pairplot）
pairplot可以把某个数据集中某几个字段之间的关系图一次性绘制出来。比如iris鸢尾花数据，我们想要看到petal_width、petal_height、sepal_width以及sepal_height之间的关系，那么我们就可以通过pairplot来绘制。
sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'])
默认情况下，对角线的图是直方图，其他地方的图是散点图，如果想要修改这两种图，可以通过diag_kind和kind来实现。其中这两个参数可取的值为：
diag_kind：auto, hist, kde。
kind：scatter, reg。
sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'],diag_kind="kde",kind="reg")
线性回归绘图
线性回归图可以帮助我们看到数据的关系趋势。在seaborn中可以通过regplot和lmplot两个函数来实现。regplot的x和y可以为Numpy数组、Series等变量。而lmplot的x和y则必须为字符串，并且data的值不能为空：
regplot(x,y,data=None)。
lmplot(x,y,data)。
sns.lmplot(x="total_bill",y="tip",data=tips)
sns.regplot(x=tips["total_bill"],y=tips["tip"])
【注】：部分资源来源于网络，若侵犯了您的权利，请与作者联系，感谢！
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
