文章目录
Seaborn是一个基于Matplotlib的Python统计图形库,它简化了创建复杂统计图形的过程。本文将介绍Seaborn中一些常用绘图函数的参数设置,以及如何利用内置主题和颜色调色板来增强图表的视觉效果。
绘图函数
sns.scatterplot()
绘制两个变量的散点图,支持样式和颜色映射。
sns.scatterplot(x='var1', y='var2', data=df, hue='category', style='category', palette='deep')
x
和y
分别指定x轴和y轴的变量。data
是包含数据的DataFrame。hue
根据分类变量给点着色。style
根据分类变量给点添加不同的标记。palette
指定颜色映射。
sns.lineplot()
类似于Matplotlib的plt.plot()
,但增加了样式和颜色映射。
sns.lineplot(x='time', y='value', data=df, estimator=sum, ci=None)
x
指定x轴变量。y
指定y轴变量。estimator
指定聚合函数,默认为均值。ci
置信区间,默认为95%。
sns.barplot()
绘制柱状图,支持样式和颜色映射。
sns.barplot(x='category', y='value', data=df, ci=None, palette='pastel')
x
指定分类变量。y
指定数值变量。ci
置信区间,默认为95%。palette
指定颜色映射。
sns.boxplot()
绘制箱线图,展示数据的分布情况。
sns.boxplot(x='category', y='value', data=df, palette='bright')
x
和y
分别指定分类变量和数值变量。palette
指定颜色映射。
sns.violinplot()
显示数据分布的形状和密度估计。
sns.violinplot(x='category', y='value', data=df, palette='muted')
x
和y
分别指定分类变量和数值变量。palette
指定颜色映射。
sns.heatmap()
绘制热图,展示矩阵数据的相关性。
sns.heatmap(data=correlation_matrix, annot=True, fmt=".2f", cmap='coolwarm')
data
是要展示的矩阵数据。annot
是否在热图中显示数值。fmt
数值的格式化字符串。cmap
颜色映射。
sns.pairplot()
绘制数据集中所有数值变量对的矩阵图。
sns.pairplot(df, hue='category', palette='deep')
df
是包含数据的DataFrame。hue
根据分类变量给图着色。palette
指定颜色映射。
sns.distplot()
绘制单变量的分布图。
sns.distplot(data['value'], kde=True, bins=30, color='blue')
data['value']
是要绘制的数据。kde
是否绘制核密度估计。bins
直方图的箱数。color
指定颜色。
内置主题和颜色调色板
主题设置
Seaborn的主题可以通过sns.set_theme()
函数设置。
sns.set_theme(style="whitegrid", palette="pastel")
style
指定图表的样式。palette
指定颜色调色板。
颜色调色板
Seaborn提供了多种颜色调色板,可以通过sns.color_palette()
函数获取。
palette = sns.color_palette("deep")
- 颜色调色板的名称,如
deep
,muted
,pastel
,bright
,dark
。
使用Seaborn的绘图函数和内置主题及颜色调色板,可以快速创建美观且具有统计意义的图表。这些工具使得数据可视化变得更加直观和吸引人,帮助用户更好地理解和展示数据。