seaborn

最新推荐文章于 2025-02-28 17:01:00 发布
原创 最新推荐文章于 2025-02-28 17:01:00 发布
· 730 阅读 · 26 ·
版权
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。
文章标签：

#eclipse

关系绘图relplot

relplot函数可以绘制散点图和线形图，==默认散点图==，可以通过修改==kind==参数决定画图类型

  1. 散点图scatterplot：relplot(kind='scatter')。
  2. 线形图lineplot：relplot(kind='line')。

基本使用

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
tips = sns.load_dataset("tips",cache=True)
print(tips.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子
sns.relplot(x="total_bill",y="tip",data=tips)
plt.tight_layout()
plt.savefig('1.png')
plt.show()

上述代码中：

tips数据是seaborn库==自带==的数据集，可通过sns.load_dataset('tips',cache=True)加载

sns.relplot(x="total_bill",y="tip",data=tips)中的==x="total_bill",y="tip"==是将x轴命名为“total_bill”，y轴命名为"tip"

效果图如下：![1](D:\PYTHON LOVE\seaborn\1.png)

添加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：

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
tips = sns.load_dataset("tips",cache=True)
print(tips.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子
sns.relplot(x="total_bill",y="tip",hue="day",data=tips)
plt.tight_layout()
plt.savefig('2.png')
plt.show()

效果图如下：![2](D:\PYTHON LOVE\seaborn\2.png) 从上图可以看出，hue参数的作用是，在x，y两个变量不变的情况下，==将数据散点根据heu参数进行分类，并用不同颜色显示散点==

添加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)

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
tips = sns.load_dataset("tips",cache=True)
print(tips.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子
sns.relplot(x="total_bill",y="tip",hue="day",col='time',data=tips)
plt.tight_layout()
plt.savefig('3.png')
plt.show()

效果图如下：

![3](D:\PYTHON LOVE\seaborn\3.png)

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)

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
tips = sns.load_dataset("tips",cache=True)
print(tips.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子
sns.relplot(x="total_bill",y="tip",hue="day",col='time',row='sex',data=tips)
plt.tight_layout()
plt.savefig('4.png')
plt.show()

效果图如下： ![4](D:\PYTHON LOVE\seaborn\4.png)

指定图像具体显示为几列

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)

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
tips = sns.load_dataset("tips",cache=True)
print(tips.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子
mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
fig,axes=plt.subplots(1,2)  #将整个画布fig分为一行两列两个axes子图

sns.relplot(x="total_bill",y="tip",col="day",data=tips,ax=axes[0])#第一个子图
plt.savefig('5.png')
sns.relplot(x="total_bill",y="tip",col="day",col_wrap=2,data=tips,ax=axes[1])#第二个子图
plt.tight_layout()
plt.savefig('6.png')
plt.show()

不使用col_wrap与使用col_wrap的效果图对比：

绘制折线图

relplot通过设置kind="line"可以绘制折线图。并且功能比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：

fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint",y="signal",kind="line",data=fmri)

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
fmri = sns.load_dataset("fmri")
print(fmri.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子
sns.relplot(x="timepoint",y="signal",kind="line",data=fmri)
plt.tight_layout()
plt.savefig('7.png')
plt.show()

效果图如下： ![7](D:\PYTHON LOVE\seaborn\7.png)

同理，折线图也可以设置hue、col、style等参数

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
fmri = sns.load_dataset("fmri")
print(fmri.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子

# 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)

plt.tight_layout()
plt.savefig('8.png')
plt.show()

效果图如下：![8](D:\PYTHON LOVE\seaborn\8.png)

style参数是用来设置线条样式的

上述代码中style='event'，将stim以蓝色实线绘出，cue以黄色虚线绘出

分类绘图catplot

分类图的绘制，采用的是sns.catplot来实现的。cat是category的简写。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。

catplot不能使用size和style参数

分类绘图包括：

  • 分类散点图
  • 分类分布图
  • 分类统计图

分类散点图

适合数据量不是很多的情况，用catplot来实现，但是也有以下两个特别的方法：

  1. stripplot()：catplot(kind="strip")，默认。
  2. swarmplot()：catplot(kind="swarm")。
stripplot
sns.catplot(x="day",y="total_bill",data=tips,hue="sex")

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset("tips")
print(tips.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子

sns.catplot(x="day",y="total_bill",data=tips,hue="sex")

plt.tight_layout()
plt.savefig('9.png')
plt.show()

效果图如下：![9](D:\PYTHON LOVE\seaborn\9.png)

swarmplot

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")

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset("tips")
print(tips.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子

sns.catplot(x="day",y="total_bill",kind="swarm",data=tips,hue="sex")

plt.tight_layout()
plt.savefig('10.png')
plt.show()

效果图如下：![10](D:\PYTHON LOVE\seaborn\10.png)

横向分类散点图（和横着的条形图一样的布局）

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")

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset("tips")
print(tips.sample(10)) #从tips数据集里随机抽10行，看看这些数据长什么样子

sns.catplot(y="day",x="total_bill",kind="swarm",data=tips,hue="sex")

plt.tight_layout()
plt.savefig('11.png')
plt.show()

效果图如下：

分类分布图

分类分布图，主要是根据分类，看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：

  1. 箱线图boxplot()：catplot(kind="box")。
  2. 小提琴图violinplot()：catplot(kind="violin")。
箱线图
import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
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']
# print(plt.rcParams.keys())
need_athletes = athletes[athletes['NOC'].isin(list(countries.keys()))] #Pandas isin()方法用于过滤数据帧。isin() 方法有助于选择在特定列中具有特定(或多个)值的行
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.tight_layout()
plt.savefig('12.png')
plt.show()

athletes[athletes['NOC'].isin(list(countries.keys()))]：遍历'NOC'这列的数据，判断国籍是否在列表中（此列表是由字典countries的键组成的）

因此这句代码返回的是国籍NOC在列表中的运动员的数据

效果图如下：

小提琴图

小提琴图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。

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset('tips',cache=True)

sns.catplot(x="day",y="total_bill",data=tips,kind="violin",hue="sex",split=True)
plt.tight_layout()
plt.savefig('13.png')
plt.show()

效果图如下：![13](D:\PYTHON LOVE\seaborn\13.png)

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：

  1. box：默认的，箱线图
  2. quartile：四分位数。上下四分位数加中位数
  3. point：散点
  4. stick：线条

==四种小提琴图对比：==

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset('tips',cache=True)
fig,axes=plt.subplots(2,2)

axe=sns.violinplot(x="day",y="total_bill",data=tips,inner='box',hue="sex",split=True,ax=axes[0][0])
axe.set_title('中间为箱线图的小提琴图')
axe=sns.violinplot(x="day",y="total_bill",data=tips,inner='quartile',hue="sex",split=True,ax=axes[0][1])
axe.set_title('中间为四分位数的小提琴图')
axe=sns.violinplot(x="day",y="total_bill",data=tips,inner='point',hue="sex",split=True,ax=axes[1][0])
axe.set_title('中间为散点的小提琴图')
axe=sns.violinplot(x="day",y="total_bill",data=tips,inner='stick',hue="sex",split=True,ax=axes[1][1])
axe.set_title('中间为线条的小提琴图')

plt.suptitle("中间图形不同的4种小提琴图")
plt.tight_layout()
plt.savefig('14.png')
plt.show()

效果图如下：

![14](D:\PYTHON LOVE\seaborn\14.png)

分类统计图

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：

  1. barplot()条形图：catplot(kind="bar")。
  2. pointplot()点线图：catplot(kind="point")。
  3. countplot()柱状图：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")

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset('tips',cache=True)
# 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")

plt.tight_layout()
plt.savefig('15.png')
plt.show()

结果如下：![15](D:\PYTHON LOVE\seaborn\15.png)

统计比例
 # 统计男女中获救的比例
 sns.catplot(data=titanic,kind="bar",x="sex",y="survived")

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
titanic = sns.load_dataset('titanic',cache=True)

# 统计男女中获救的比例
sns.catplot(data=titanic,kind="bar",x="sex",y="survived")

plt.tight_layout()
plt.savefig('16.png')
plt.show()

结果如下：![16](D:\PYTHON LOVE\seaborn\16.png)

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))

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
titanic = sns.load_dataset('titanic',cache=True)

# 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))

plt.tight_layout()
plt.savefig('17.png')
plt.show()

==lambda函数==见Python Lambda (w3school.com.cn)

结果如下：![17](D:\PYTHON LOVE\seaborn\17.png)

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。示例代码如下：

sns.catplot(x="sex",data=titanic,kind="count")

![18](D:\PYTHON LOVE\seaborn\18.png)

也可以通过使用hue参数来指定分组：

sns.catplot(x="day",kind="count",data=tips,hue="sex")

![19](D:\PYTHON LOVE\seaborn\19.png)

点线图

点线图可以非常方便的看到变量之间的趋势变化。示例代码如下：

sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")

![20](D:\PYTHON LOVE\seaborn\20.png)

分布绘图

分布绘图分为

  • 单一变量分布
  • 多变量分布
  • 成对绘图

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

示例代码如下：

sns.set(color_codes=True)
titanic = sns.load_dataset("titanic")
titanic = titanic[~np.isnan(titanic['age'])]
sns.distplot(titanic['age'])

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
sns.set(color_codes=True) #调色板颜色调整
titanic = sns.load_dataset('titanic',cache=True)
#titanic.to_csv('titanic.csv',index=False)
titanic = titanic[~np.isnan(titanic['age'])]  #只保留age列是数字的数据,波浪号代表否定
sns.distplot(titanic['age'])

plt.tight_layout()
plt.savefig('21.png')
plt.show()

结果如下：![21](D:\PYTHON LOVE\seaborn\21.png)

distplot()有以下参数：

  1. kde（核密度曲线）：这个代表是否要显示kde曲线，==默认显示==，如果显示kde曲线，那么y轴表示的就是==概率==；不显示kde曲线则y轴表示==数量==。也可以设置为False关掉。

    sns.distplot(titanic['age'],kde=False)

  2. bins：代表这个直方图显示的柱形的数量。也可以通过自己设置

    sns.distplot(titanic['age'],bins=30)

  3. 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

多变量分布图可以看出两个变量之间的分布关系。一般都是采用多个图进行表示。

多变量分布图采用的函数是jointplot

散点图

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

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset("tips")
sns.jointplot(x="total_bill", y="tip", data=tips)
plt.savefig('24.png')
sns.jointplot(x="total_bill", y="tip", data=tips,kind="reg")

plt.tight_layout()
plt.savefig('25.png')
plt.show()

通过设置kind='reg'可以设置==回归绘图==和==核密度曲线==

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，散点将会汇聚成一片

针对这种数据量比较大的情况，可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，==点落在这个六边形中越多颜色越深==

sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex",gridsize=20)

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
athletes = pd.read_csv('athlete_events.csv')
china_athletes = athletes[athletes['NOC']=='CHN'] #只保留国籍NOC是CHN的数据

sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex",gridsize=20)


plt.tight_layout()
plt.savefig('26.png')
plt.show()

==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'])

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
iris = pd.read_csv('Iris.csv')

sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'])#成对绘图
plt.savefig('27.png')

sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'],diag_kind="kde",kind="reg")#修改对角线上的图为核密度曲线图，其余图为回归绘图

plt.tight_layout()
plt.savefig('28.png')
plt.show()

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：

  1. regplot(x,y,data=None)
  2. lmplot(x,y,data)

regplot

sns.regplot(x=tips["total_bill"],y=tips["tip"])

lmplot

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

两种方法对比


regplot线性回归绘图

lmplot线性回归绘图

FacetGrid结构图

relplot、catplot、lmplot等，这些函数可以通过col、row等在一个Figure中绘制多个图。这些函数之所以有这些功能，是因为他们的底层使用了FacetGrid来组装这些图形

普通的Axes绘图

seaborn的绘图函数中也有大量的直接使用Axes进行绘图的，凡是==函数名中已经明确显示了这个图的类型==（比如sns.scatterplot、sns.lineplot、sns.barplot），这种图都是使用Axes绘图的，Axes绘图可以直接使用之前matplotlib的一些方式设置图的元素

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset('tips')
fig,[ax1,ax2] = plt.subplots(2,1,figsize=(10,10))
sns.scatterplot(x="total_bill",y="tip",data=tips,ax=ax1)
sns.barplot(x="day",y="total_bill",data=tips,ax=ax2)

plt.tight_layout()
plt.savefig('31.png')
plt.show()

此图包含两个子图：

FacetGrid基本使用

先创建一个FacetGrid对象，然后再调用这个对象的map方法。其中map方法的==第一个参数是一个函数，后续map将调用这个函数来绘制图形。后面的参数就是传给这个函数的参数==

tips = sns.load_dataset("tips")
g = sns.FacetGrid(tips)
g.map(plt.scatter,"total_bill","tip")

其中==第一个参数==是可以绘制Axes图，并且可以接收color参数的函数。可取的值如下：

参数描述对应使用了FacetGrid函数
plt.plot/sns.lineplot绘制折线图sns.relplot(kind="line")
plt.hexbin绘制六边形图形sns.jointplot(kind="hex")
plt.hist绘制直方图sns.distplot
plt.scatter/sns.scatterplot绘制散点图sns.relplot(kind="scatter")
sns.stripplot绘制分类散点图sns.catplot(kind="strip")
sns.swarmplot绘制散开来的分类散点图sns.catplot(kind="swarm")
sns.boxplot绘制箱线图sns.catplot(kind="box")
sns.violinplot绘制小提琴图sns.catplot(kind="violin")
sns.pointplot绘制点线图sns.catplot(kind="point")
sns.barplot绘制条形图sns.catplot(kind="bar")
sns.countplot绘制数量柱状图sns.catplot(kind="count")
sns.regplot绘制带有回归线的散点图sns.lmplot

绘制多个图形

FacetGrid可以通过col和row参数，来在一个Figure上绘制多个图形，其中col和row都是数据集中的某个列的名字。只要指定这个名字，那么就会自动的按照指定列的值的个数绘制指定个数的图形

g = sns.FacetGrid(tips,col="day",col_wrap=2)
g.map(sns.regplot,"total_bill","tip")

添加颜色观察字段

通过添加hue参数来控制每个图中元素的颜色来观察其他的字段

g = sns.FacetGrid(tips,col="day",hue="time")
g.map(sns.regplot,"total_bill","tip")

可以通过hue_kws参数来添加hue散点的属性，比如设置散点的样式等

设置每个图形的尺寸

使用FacetGrid绘制出图形后，有时候我们想设置每个图形的尺寸或者是宽高比，那么我们可以通过在FacetGrid中设置height和aspect来实现，其中height表示的是每个图形的尺寸（默认是宽高一致），aspect表示的是宽度/高度的比例

g = sns.FacetGrid(tips,col="day",row="time",height=10,aspect=1.5)
g.map(sns.regplot,"total_bill","tip")

设置图例

默认情况下，不会添加图例，我们可以通过g.add_legend()来添加图例

g = sns.FacetGrid(tips,col="day",hue="time")
g.map(sns.regplot,"total_bill","tip")
g.add_legend()

![36](D:\PYTHON LOVE\seaborn\36.png)

另外还可以：

  1. 通过title来控制图例的标题。
  2. 通过label_order来控制图例元素的顺序
sns.set(rc={"font.sans-serif":"simhei"})
g3 = sns.FacetGrid(tips,col="day",hue="time")
g3.map(plt.scatter,"total_bill","tip")
new_labels = ['午餐','晚餐']
g3.add_legend(title="时间")
for t,l in zip(g3._legend.texts,new_labels):
    t.set_text(l)

设置标题

设置标题可以通过g.set_titles(template=None,row_template=None,col_template=None)来实现，这三个参数分别代表的意义如下：

  • template：给图设置标题，其中有{row_var}：绘制每行图像的名称，{row_name}：绘制每行图像的值，{col_var}：绘制每列图像的名称，{col_name}：绘制每列图像的值这几个参数可以使用
  • col_template：给图像设置列的标题。其中有{col_var}以及{col_name}可以使用。
  • row_template：给图像设置行的标题。其中有{row_var}以及{row_name}可以使用。
g = sns.FacetGrid(tips,col="day",row="time")
g.map(sns.regplot,"total_bill","tip")
g.set_titles(template="时间{row_name}/星期{col_name}")

设置坐标轴

  • g.set_axis_labels(x_var,y_var)：一次性设置x和y的坐标的标题
  • g.set_xlabels(label)：设置x轴的标题。
  • g.set_ylabels(label)：设置y轴的标题。
  • g.set(xticks,yticks)：设置x和y轴的刻度。
  • g.set_xticklabels(labels)：设置x轴的刻度文字。
  • g.set_yticklabels(labels)：设置y轴的刻度文字。
g.set(xticks=range(0,60,10),xticklabels=['$0','$10','$20','$30','$40','$50'])

g.set

g.set方法可以对FacetGrid下的每个子图Axes设置属性。其中可以设置的参数完全是根据Axes的属性来的。比如可以设置每个Axes的facecolor等

样式风格设置

用seaborn绘图，比直接使用matplotlib绘图更加的美观。原因就是因为seaborn中已经将一些属性的样式进行了调整。我们可以直接使用，也可以修改他的样式

自带的样式

seaborn中自带了5种样式。分别是：

  1. white：纯白色的

     sns.set_style("white")
 axes = sns.scatterplot(x="total_bill",y="tip",data=tips)
    a449a14e14914728961d6b388e540ced.png

  2. whitegrid：带有网格的白色的

     sns.set_style("whitegrid")
 axes = sns.scatterplot(x="total_bill",y="tip",data=tips)
    f5ace29ac2e14180860634c423695ba8.png

  3. dark：灰色的

     sns.set_style("dark")
 axes = sns.scatterplot(x="total_bill",y="tip",data=tips)
    b5379a0fc4b94c38877d5254648a0f25.png

  4. darkgrid：带有网格的灰色的（网格线是白色的）

     sns.set_style("darkgrid")
 axes = sns.scatterplot(x="total_bill",y="tip",data=tips)
    31450e451b9145bfa1c3d235e93c536f.png

  5. ticks：白色的，并且在轴上带有刻度条的

     sns.set_style("ticks")
 axes = sns.scatterplot(x="total_bill",y="tip",data=tips)
    1a2bdced4c794faca3db8201a56f7d7f.png

风格设置函数

在seaborn中，可以通过三个函数来设置样式。分别是sns.set_style、sns.axes_style以及sns.set方法

sns.axes_style

只能通过with语句调用

with sns.axes_style("dark",{"ytick.left":True}):
    sns.scatterplot(x="total_bill",y="tip",data=tips)

sns.set

除了style以外，还可以设置调色板，字体，字体大小，颜色等，也可以设置其他的matplotlib.rcParams可以接收的参数

sns.set(context='notebook', style='darkgrid', palette='deep', font='sans-serif', font_scale=1, color_codes=True, rc=None)

sns.set(rc={"lines.linewidth":4})
fmri = sns.load_dataset("fmri")
sns.lineplot(x="timepoint",y="signal",data=fmri)

实例

附：seaborn绘制子图的方法

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

mpl.rcParams['font.sans-serif'] = ['SimHei']  #字体改为黑体，为了正常显示中文
plt.rcParams['axes.unicode_minus']=False #正常显示负号
tips = sns.load_dataset('tips',cache=True)
fig,axes=plt.subplots(2,2)

axe=sns.violinplot(x="day",y="total_bill",data=tips,inner='box',hue="sex",split=True,ax=axes[0][0])
axe.set_title('中间为箱线图的小提琴图')
axe=sns.violinplot(x="day",y="total_bill",data=tips,inner='quartile',hue="sex",split=True,ax=axes[0][1])
axe.set_title('中间为四分位数的小提琴图')
axe=sns.violinplot(x="day",y="total_bill",data=tips,inner='point',hue="sex",split=True,ax=axes[1][0])
axe.set_title('中间为散点的小提琴图')
axe=sns.violinplot(x="day",y="total_bill",data=tips,inner='stick',hue="sex",split=True,ax=axes[1][1])
axe.set_title('中间为线条的小提琴图')

plt.suptitle("中间图形不同的4种小提琴图")
plt.tight_layout()
plt.savefig('14.png')
plt.show()
Seaborn库的基本绘图操作
weixin_45970532的博客
09-25 1万+
python中seaborn库是基于Matplotlib库的第三方绘图库，用于可视化技术展示数据，现摘录一些基本的绘图函数，具体参数看官方文档
Python数据分析绘制折线图（relplot()函数）及可视化
qq_38436467的博客
12-06 1519
读取数据# 数据清洗data.dropna(inplace=True) # 删除缺失值data.drop_duplicates(inplace=True) # 删除重复值# 数据转换data["date"] = pd.to_datetime(data["date"]) # 将日期列转换为datetime类型data["year"] = data["date"].dt.year # 提取年份data["month"] = data["date"].dt.month # 提取月份。
seaborn系列 (3) | 折线图lineplot()
热门推荐
脑机接口社区
09-16 5万+
折线图折线图函数原型参数解读案例教程案例地址 折线图 注意：数据一定是通过DataFrame中传送的 函数原型 seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hu...
seaborn.lineplot：强如matlab的python二维数据趋势图一键绘制
普通攻击往后拉的博客
03-25 6192
发现了一个很强的绘图工具，可以用很简单的命令绘制多种图案，但是绘图的过程和原理需要弄清楚才能绘制想要的图片，参考的官网文档。 seaborn.lineplot(*, x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=No
Seaborn（SNS）lineplot()、scatterplot()、relplot参数详解、案例，errorbar和bootstrap自助法
TravelLight92的博客
01-10 3495
目的：本来想看一下lineplot的其他参数是什么意思，在网上找了一些文章，基本都只是介绍了一部分，或者对errorbar的介绍不太满意，想着这东西本身也不是很难，参数也没有那么多，索性自己对照官网和一些文章，写一篇，把lineplot（scatterplot）,relplot的所有参数都以案例可视化写出来：内容：1.基本介绍 2.所有参数（按相关性顺序写） 3.重点介绍errorbar和bootstrap自助法 4.relplot的不同之处。
【Seaborn】sns.lineplot() 函数：折线图
最新发布
彬彬侠的博客
02-28 1189
seaborn.lineplot()用于绘制数值变量的趋势，适用于时间序列、变量间关系分析、趋势可视化。-sns.lineplot()适用于数值变量的趋势分析，特别是时间序列数据。-常见参数hue按类别分色，style改变折线样式，size调整粗细。markers=True添加点标记，dashes=False使用实线。
seaborn数据集seaborn数据集seaborn数据集seaborn数据集seaborn数据集
11-03
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。Seaborn的数据集是内置的、方便使用的数据集合，可以帮助初学者快速上手，同时为专业人士提供...
seaborn-data.zip
09-08
Seaborn是一个基于Python的数据可视化库，它构建在matplotlib之上，提供了一系列美观且易于使用的统计图形。这个"seaborn-data.zip"压缩包包含了多个常用的数据集，是学习和实践数据可视化的好资源。让我们逐一探讨...
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...
Seaborn官方文档(中文版).docx
12-25
Seaborn 官方文档（中文版） Seaborn 是一个基于 Matplotlib 的数据可视化库，提供了丰富的绘图样式和高级接口来控制图表的外观。Seaborn 的主要特点是提供了多种预设的主题和风格，可以轻松地控制图表的样式和度量...
Python + Flask + PyEcharts +plotly+seaborn 的自动数据可视化平台
02-16
标题中的“Python + Flask + PyEcharts +plotly+seaborn 的自动数据可视化平台”指的是一项利用Python编程语言，结合Flask框架、PyEcharts、Plotly和Seaborn库来创建一个自动化数据可视化的项目。这个平台能够帮助...
Python论文绘图利器seaborn.lineplot
weixin_39559994的博客
01-25 1731
Python论文绘图利器seaborn.lineplot
Seaborn常见绘图总结
syd_de_blog的博客
12-31 1457
以前粗略的学习过Matplotlib绘图、Pandas绘图（这里是pandas的常见绘图总结），但是都未深入的去学习过，一遇到问题就翻...
Python学完可实现90%数据分析绘图：Seaborn神器
aobulaien001的博客
09-19 1398
最近小伙伴问我有什么刷题网站推荐，在这里推荐一下牛客网，里面包含各种面经题库，全是免费的题库，可以全方面提升你的职业竞争力，提升编程实战技巧，赶快来和我一起刷题吧！本章主要介绍python的seaborn数据可视化的应用。
Seaborn 可视化学习
upr_rom的博客
05-18 800
本文总结了seaborn的常见用法，主要用于RL的结果绘制。
seaborn.relplot函数参数说明与用法
mzm123321的博客
07-08 4528
seaborn.relplot函数参数说明与用法
python高级绘图库seaborn：relplot()、变量间的关系
错位的梦寐的博客
10-31 3587
我们用的最多的是relplot()。这是一个图形级别的函数，它用散点图和线图两种常用的手段来表现统计关系。 relplot()使用两个坐标轴级别的函数来结合了FacetGrid： scatterplot()：(使用kind="scatter"，这是默认参数) lineplot()：(使用``kind=“line`”) import numpy as np import pandas as pd...
seaborn的其他参数图形lineplot、set()
weixin_43794311的博客
04-03 5678
sns.lineplot,以及风格设置的sns.set() import os import seaborn as sns import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm os.chdir(r'C:\Users\MAR\Desktop\test'...
seaborn学习笔记（二）：散点图、线图
chb4715的博客
02-23 2763
html { font-family: sans-serif; -ms-text-size-adjust: 100%; -webkit-text-size-adjust: 100% } body { margin: 0 } article, aside, details, figcaption, figure, footer, header, hgroup, main, menu, nav, s...
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