Seaborn：Python统计学绘图库的函数及参数设置

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。