用Seaborn轻松的进行数据可视化

最新推荐文章于 2023-12-01 23:45:21 发布
置顶 最新推荐文章于 2023-12-01 23:45:21 发布
阅读量5.9k 收藏 23
点赞数 6
分类专栏： 数据分析 文章标签： python 数据可视化
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/sinat_37935727/article/details/104850959
版权

代码中数据集下载链接：https://github.com/jsusu/Seaborn_data_visualization/tree/master/seaborn_data

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

def sinplot(flip=1):
    x = np.linspace(0,14,100)
    for i in range(1,7):
        plt.plot(x,np.sin(x+i*.5)*(7-i)*flip)

sinplot()


sns.set()
sinplot()


# 1 五种主题风格：darkgrid,whitegrid,dark,white,ticks

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

<matplotlib.axes._subplots.AxesSubplot at 0x105a32e10>


sns.set_style("dark")
sinplot()

在这里插入图片描述

sns.set_style("white")
sinplot()


sns.set_style("ticks")
sinplot()


sinplot()
sns.despine()

在这里插入图片描述

sns.violinplot(data)
sns.despine(offset=10) # offset:指定图离轴线的距离

在这里插入图片描述

sns.set_style("whitegrid")
sns.boxplot(data=data,palette="deep")
sns.despine(left=True)

在这里插入图片描述

with sns.axes_style("darkgrid"): # 指定一个with域
    plt.subplot(211)
    sinplot()
plt.subplot(212)
sinplot(-1)

在这里插入图片描述

sns.set()

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

在这里插入图片描述

sns.set_context("talk") 
plt.figure(figsize=(8,6))# 设置画图域的大小
sinplot()

在这里插入图片描述

sns.set_context("poster") 
plt.figure(figsize=(8,6))# 设置画图域的大小
sinplot()

在这里插入图片描述

sns.set_context("notebook",font_scale=1.5,rc={"lines.linewidth":2.5})
sinplot()# font_scale:字体大小，linewidth：线粗

在这里插入图片描述

# 2 调色板
# color_palette()能传入任何matplotlib支持的颜色,不写参数则默认颜色
# set_palette()设置所有图的颜色

sns.set(rc={"figure.figsize":(6,6)})


# 2.1 分类色板
current_palette = sns.color_palette()
sns.palplot(current_palette) # 默认色板颜色

在这里插入图片描述

# 2.2 圆形画板
# 当你有留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）
# 最常用的方法是使用his的颜色空间，这是RGB值的简单转换
sns.palplot(sns.color_palette("hls",8))

在这里插入图片描述

data = np.random.normal(size=(20,8))+np.arange(8)/2
sns.boxplot(data=data,palette=sns.color_palette("hls",8))

<matplotlib.axes._subplots.AxesSubplot at 0x105be5e90>

在这里插入图片描述

# 2.3画板颜色的亮度和饱和度
# l:亮度（lightness）
# s:饱和 saturation

sns.palplot(sns.hls_palette(8,l=0.3,s=0.8))

在这里插入图片描述

sns.palplot(sns.color_palette("Paired",10)) # 进行对比，一对一对的调色板

在这里插入图片描述

# 使用xkcd颜色来命名颜色
# xkcd包含了一套针对随机RGB的命名，产生了954个可以随时通过xkcd_rgb字典中调用的颜色命名
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)

[<matplotlib.lines.Line2D at 0x1a19d70e50>]

在这里插入图片描述

# 上面介绍的是离散的色板

# 2.4连续色板
# 色彩随数据变换

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

在这里插入图片描述

# 翻转渐变-->添加一个_r后缀
sns.palplot(sns.color_palette("Blues_r"))

在这里插入图片描述

# 2.5 线性色板--->色调线性变换

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

在这里插入图片描述

sns.palplot(sns.cubehelix_palette(8,start=0.5,rot=-0.75))

在这里插入图片描述

sns.palplot(sns.cubehelix_palette(8,start=0.75,rot=-0.150))

在这里插入图片描述

# 2.6 light_palette和dark_palette调用定制连续调色板

sns.palplot(sns.light_palette("green"))

在这里插入图片描述

sns.palplot(sns.dark_palette("purple"))

在这里插入图片描述

# 反转
sns.palplot(sns.dark_palette("purple",reverse=True))

在这里插入图片描述

x, y = np.random.multivariate_normal([0,0],[[1,-0.5],[-0.5,1]], size=300).T
pal = sns.dark_palette("green",as_cmap=True)
sns.kdeplot(x, y,cmap=pal)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1ad6ac10>

在这里插入图片描述

sns.palplot(sns.light_palette((210,90,60), input="husl"))

在这里插入图片描述

# 3 单变量分析绘图
from scipy import stats, integrate

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

x = np.random.normal(size=100)
sns.distplot(x, kde=False)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1b491bd0>

在这里插入图片描述

sns.distplot(x, bins=20,kde=False)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1bb72510>

在这里插入图片描述

# 数据分布情况
x = np.random.gamma(6, size=200)
sns.distplot(x,kde=False,fit=stats.gamma) # fit：传入统计指标

<matplotlib.axes._subplots.AxesSubplot at 0x10333c590>

在这里插入图片描述

# 根据均值和协方差生存数据
mean, cov = [0,1],[(1,0.5),(0.5,1)]
data = np.random.multivariate_normal(mean, cov, 200)
df = pd.DataFrame(data, columns=["x","y"])
df
xy
02.1908732.902961
10.3879013.441322
2-1.3049090.586173
3-0.0168670.907323
40.2849531.189304
.........
195-0.8043380.139381
1961.6743932.735944
197-1.2376340.002766
198-1.0446830.482758
199-0.8901600.042753

200 rows × 2 columns

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

<seaborn.axisgrid.JointGrid at 0x1a1bfd9610>

在这里插入图片描述

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")
# 颜色越深，当前点比较多

在这里插入图片描述

# 多特征显示
iris = sns.load_dataset("iris")
sns.pairplot(iris) # 将数据四个特征中两两之间的关系画出

<seaborn.axisgrid.PairGrid at 0x1a1d34abd0>

在这里插入图片描述

# 4.回归分析绘图
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "regression")))
tips = sns.load_dataset("tips")
tips.head()
total_billtipsexsmokerdaytimesize
016.991.01FemaleNoSunDinner2
110.341.66MaleNoSunDinner3
221.013.50MaleNoSunDinner3
323.683.31MaleNoSunDinner2
424.593.61FemaleNoSunDinner4
sns.regplot(x="size",y="tip",data=tips, x_jitter=0.5)
# sns.lmplot()

<matplotlib.axes._subplots.AxesSubplot at 0x1a1da4f690>

在这里插入图片描述

# 5.多变量分析绘图

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

np.random.seed(sum(map(ord, "categorical")))
titanic = sns.load_dataset("titanic")
# print(titanic.head())
tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")
# 5.1 stropplot()
sns.stripplot(x="day",y="total_bill",data=tips)

   survived  pclass     sex   age  sibsp  parch     fare embarked  class  \
0         0       3    male  22.0      1      0   7.2500        S  Third   
1         1       1  female  38.0      1      0  71.2833        C  First   
2         1       3  female  26.0      0      0   7.9250        S  Third   
3         1       1  female  35.0      1      0  53.1000        S  First   
4         0       3    male  35.0      0      0   8.0500        S  Third   

     who  adult_male deck  embark_town alive  alone  
0    man        True  NaN  Southampton    no  False  
1  woman       False    C    Cherbourg   yes  False  
2  woman       False  NaN  Southampton   yes   True  
3  woman       False    C  Southampton   yes  False  
4    man        True  NaN  Southampton    no   True  





<matplotlib.axes._subplots.AxesSubplot at 0x1a1f4e4210>

在这里插入图片描述

# 重叠是很常见的现象，但影响我们观察数据量
sns.stripplot(x="day",y="total_bill",data=tips, jitter=True)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1e445c50>

在这里插入图片描述

# 5.2 swarmplot()
sns.swarmplot(x="day",y="total_bill",data=tips)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1eca5ed0>

在这里插入图片描述

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

<matplotlib.axes._subplots.AxesSubplot at 0x1a1eca5650>

在这里插入图片描述

sns.swarmplot(x="day",y="total_bill",hue="time", data=tips)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1e9d6c90>

在这里插入图片描述

# 5.3 盒图--boxplot
# 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
# 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)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1fbfab10>

在这里插入图片描述

# 使盒图横着画-->orient="h"
sns.boxplot(orient="h", data=tips)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1fe81d50>

在这里插入图片描述

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

<matplotlib.axes._subplots.AxesSubplot at 0x1a1e83c090>

在这里插入图片描述

sns.violinplot(x="day", y="total_bill",split=True, hue="sex", data=tips)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1e3a7250>

在这里插入图片描述

# 多种图进行合并
sns.violinplot(x="day", y="total_bill", inner=None, data=tips)
sns.swarmplot(x="day", y="total_bill", color="w",alpha=0.5, data=tips)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1edeb590>

在这里插入图片描述

# 5.5 条形图--barplot()
# 显示值的集中趋势

sns.barplot(x="sex",y="survived", hue="class", data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1fb8fb90>

在这里插入图片描述

# 5.6 点图--pointplot()

sns.pointplot(x="sex",y="survived", hue="class", data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1a1fbf1190>

在这里插入图片描述

sns.pointplot(x="class",y="survived",hue="sex",data=titanic,
              palette={"male":"g","female":"m"},
             markers=["^","o"],linestyles=["-","--"])

<matplotlib.axes._subplots.AxesSubplot at 0x1a1fcdf790>

在这里插入图片描述

# 5.7 多层面板分类图-->factorplot()

sns.factorplot(x="day", y="total_bill",hue="smoker",data=tips)

/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/categorical.py:3669: UserWarning: The `factorplot` function has been renamed to `catplot`. The original name will be removed in a future release. Please update your code. Note that the default `kind` in `factorplot` (`'point'`) has changed `'strip'` in `catplot`.
  warnings.warn(msg)





<seaborn.axisgrid.FacetGrid at 0x1a200f9210>

在这里插入图片描述

sns.factorplot(x="day", y="total_bill",hue="smoker",data=tips,kind="bar")

/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/categorical.py:3669: UserWarning: The `factorplot` function has been renamed to `catplot`. The original name will be removed in a future release. Please update your code. Note that the default `kind` in `factorplot` (`'point'`) has changed `'strip'` in `catplot`.
  warnings.warn(msg)





<seaborn.axisgrid.FacetGrid at 0x1a203d0c10>

在这里插入图片描述

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

/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/categorical.py:3669: UserWarning: The `factorplot` function has been renamed to `catplot`. The original name will be removed in a future release. Please update your code. Note that the default `kind` in `factorplot` (`'point'`) has changed `'strip'` in `catplot`.
  warnings.warn(msg)





<seaborn.axisgrid.FacetGrid at 0x1a1f5003d0>

在这里插入图片描述

sns.factorplot(x="time", y="total_bill",hue="smoker",data=tips,kind="box",
              col="day",size=4,aspect=0.5)

/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/categorical.py:3669: UserWarning: The `factorplot` function has been renamed to `catplot`. The original name will be removed in a future release. Please update your code. Note that the default `kind` in `factorplot` (`'point'`) has changed `'strip'` in `catplot`.
  warnings.warn(msg)
/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/categorical.py:3675: UserWarning: The `size` parameter has been renamed to `height`; please update your code.
  warnings.warn(msg, UserWarning)





<seaborn.axisgrid.FacetGrid at 0x1a1e45a550>

在这里插入图片描述

# factorplot()常用的parameters：

# x,y,hue 数据集变量 变量名
# data 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柱状图，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）

# 6.FaceGrid()绘制多变量

tips.head()
total_billtipsexsmokerdaytimesize
016.991.01FemaleNoSunDinner2
110.341.66MaleNoSunDinner3
221.013.50MaleNoSunDinner3
323.683.31MaleNoSunDinner2
424.593.61FemaleNoSunDinner4
g = sns.FacetGrid(tips,col="time") # 先去布局，相当于占位置

在这里插入图片描述

g = sns.FacetGrid(tips,col="time")
g.map(plt.hist, "tip")

<seaborn.axisgrid.FacetGrid at 0x1a211dd8d0>

在这里插入图片描述

g = sns.FacetGrid(tips, col="sex", hue="smoker")
g.map(plt.scatter, "total_bill", "tip",alpha=0.7)
g.add_legend() # 添加图例

<seaborn.axisgrid.FacetGrid at 0x1a21361b50>

在这里插入图片描述

g = sns.FacetGrid(tips, row="smoker",col="time", margin_titles=True)
g.map(sns.regplot, "size","total_bill",color="0.3",
      fit_reg=True,# fit_reg是否显示回归线
      x_jitter=0.1)# jitter浮动

<seaborn.axisgrid.FacetGrid at 0x1a21ded350>

在这里插入图片描述

g = sns.FacetGrid(tips,col="day",size=4,aspect=0.5)
g.map(sns.barplot, "sex", "total_bill")

/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/axisgrid.py:243: UserWarning: The `size` parameter has been renamed to `height`; please update your code.
  warnings.warn(msg, UserWarning)
/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/axisgrid.py:728: UserWarning: Using the barplot function without specifying `order` is likely to produce an incorrect plot.
  warnings.warn(warning)





<seaborn.axisgrid.FacetGrid at 0x1a224f5850>

在这里插入图片描述

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

CategoricalIndex(['Sat', 'Sun', 'Thur', 'Fri'], categories=['Thur', 'Fri', 'Sat', 'Sun'], ordered=False, dtype='category')


/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/axisgrid.py:243: UserWarning: The `size` parameter has been renamed to `height`; please update your code.
  warnings.warn(msg, UserWarning)
/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/axisgrid.py:728: UserWarning: Using the boxplot function without specifying `order` is likely to produce an incorrect plot.
  warnings.warn(warning)





<seaborn.axisgrid.FacetGrid at 0x1a240e54d0>

在这里插入图片描述

pal = dict(Lunch="seagreen",Dinner="gray")
g = sns.FacetGrid(tips,hue="time",palette=pal,height=5)
g.map(plt.scatter, "total_bill","tip", s=50,alpha=0.7,linewidth=0.5,edgecolor="white")
g.add_legend()

<seaborn.axisgrid.FacetGrid at 0x1a24220550>

在这里插入图片描述

g = sns.FacetGrid(tips,hue="sex",palette="Set1",size=5,
                 hue_kws={"marker":["^","v"]})
g.map(plt.scatter, "total_bill","tip", s=100,alpha=0.7,
      linewidth=0.5,edgecolor="white")
g.add_legend()

<seaborn.axisgrid.FacetGrid at 0x1a241e1a90>

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=0.5)
g.set_axis_labels("Total bill(US Dollars)", "Tip")
g.set(xticks=[10,30,50], yticks=[2,6,10]) #x,y轴刻度范围
g.fig.subplots_adjust(wspace=0.2, hspace=0.2） # 设置子图间隔

/Users/susu/opt/anaconda3/envs/data_analysis/lib/python3.7/site-packages/seaborn/axisgrid.py:243: UserWarning: The `size` parameter has been renamed to `height`; please update your code.
  warnings.warn(msg, UserWarning)

在这里插入图片描述

iris = sns.load_dataset("iris")
g = sns.PairGrid(iris)
g.map(plt.scatter)


<seaborn.axisgrid.PairGrid at 0x1a24841050>

在这里插入图片描述

g = sns.PairGrid(iris)
g.map_diag(plt.hist) # 指定对角线的图
g.map_offdiag(plt.scatter) # 指定非对角线的图

<seaborn.axisgrid.PairGrid at 0x1a24ee9810>

在这里插入图片描述

g = sns.PairGrid(iris,hue="species")
g.map_diag(plt.hist) # 指定对角线的图
g.map_offdiag(plt.scatter) # 指定非对角线的图
g.add_legend()

<seaborn.axisgrid.PairGrid at 0x1a259de0d0>

在这里插入图片描述

g = sns.PairGrid(iris,hue="species",
                 vars=["sepal_length","sepal_width"]) # vars:指定需要绘制的特征
g.map(plt.scatter)

<seaborn.axisgrid.PairGrid at 0x1a26bb7590>

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()

<seaborn.axisgrid.PairGrid at 0x1a26da8910>

在这里插入图片描述

# 7.热度图--->heatmap()
# 常用于特征与特征的相关程度
%matplotlib inline
import numpy as np
import pandas as pd
import seaborn as sns
np.random.seed(0)
sns.set()

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

[[0.11402723 0.39613034 0.86002087]
 [0.10145661 0.06316734 0.54688621]
 [0.9487925  0.82667995 0.85134329]]

在这里插入图片描述

ax = sns.heatmap(uniform_data,vmin=0.2,vmax=0.5) # 指定color bar的范围

在这里插入图片描述

normal_data = np.random.randn(3,3)
print(normal_data)
ax = sns.heatmap(normal_data,center=0) # center指定中心的数据

[[-0.51964495 -0.55467919 -1.51977748]
 [-0.95065924 -0.14189382 -0.75598294]
 [ 0.54360754  0.35617477 -0.92938628]]

在这里插入图片描述

flights = sns.load_dataset("flights")
flights.head()
yearmonthpassengers
01949January112
11949February118
21949March132
31949April129
41949May121
flights = flights.pivot("month","year","passengers")
print(flights)
ax = sns.heatmap(flights)

year       1949  1950  1951  1952  1953  1954  1955  1956  1957  1958  1959  \
month                                                                         
January     112   115   145   171   196   204   242   284   315   340   360   
February    118   126   150   180   196   188   233   277   301   318   342   
March       132   141   178   193   236   235   267   317   356   362   406   
April       129   135   163   181   235   227   269   313   348   348   396   
May         121   125   172   183   229   234   270   318   355   363   420   
June        135   149   178   218   243   264   315   374   422   435   472   
July        148   170   199   230   264   302   364   413   465   491   548   
August      148   170   199   242   272   293   347   405   467   505   559   
September   136   158   184   209   237   259   312   355   404   404   463   
October     119   133   162   191   211   229   274   306   347   359   407   
November    104   114   146   172   180   203   237   271   305   310   362   
December    118   140   166   194   201   229   278   306   336   337   405   

year       1960  
month            
January     417  
February    391  
March       419  
April       461  
May         472  
June        535  
July        622  
August      606  
September   508  
October     461  
November    390  
December    432

在这里插入图片描述

ax = sns.heatmap(flights,
                 annot=True,# annot将数据绘制到图上
                 fmt="d", # 指定数据的格式，比较推荐
                 linewidths=0.5, #指定格与格之间的间距
                 cmap="YlGnBu",# 指定colorbar颜色
                 cbar=False, # False为隐藏colorbar
                )

在这里插入图片描述

End：如果你看到了这里，那么一定是将这一整篇都阅读喽，恭喜你，基本的seaborn已经学会了哦~~~

monkey_susu
关注
  • 6
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
两分钟学会Python——【文件操作】
Viking_JoneJi的博客
05-05 149
1.找到文件，打开 2.读、修改 3.保存&关闭 打开文件： f = open(filename) 读文件： f.read(n) 读n个字符，n不写时读所有 写： f.write(YOUR_DATA) 保存&关闭： f.close() 4.文件打开模式 r--->只读模式 f.read(n)--->读n个字符，n不写时读所有 f.readline(n)...
seaborn-data.rar
08-10
seaborn load_dataset 全部离线数据集
详解数据可视化神器 seaborn，它可快速实现统计数据可视化
Python数据挖掘
02-11 2306
哈喽，大家好。今天详解 Seaborn，它基于 Matplotlib，用来制作统计图形的 Python 库。本文内容较长，建议收藏后慢慢读。 Seaborn 的优势： 图表丰富，比 matplotlib 易用 与 pandas 结合 支持数值类型多变量关系图 支持数值类型数据分布图 支持类别类型数据可视化 支持回归模型以及可视化 轻松构建结构化多图网格 我整理了一份 seaborn 核心知识点的思维导图 为方便学习，高清原版需要的朋友，可以按照如下方式获取 获取方式 思维导
seaborn-data, seaborn示例的数据存储库.zip
09-18
seaborn-data, seaborn示例的数据存储库 seaborn数据seaborn的数据存储库示例。这不是通用的数据归档。 这个存储库只存在为 seaborn.load_dataset 函数提供一个方便的目标，从而从。 它的存在使得在不使用时间加载和munging数据的情况下，可以
轻松用 Seaborn 进行数据可视化1
08-04
轻松用 Seaborn 进行数据可视化1 通过 Seaborn 库，可以轻松地进行数据可视化，帮助我们在 Python 中创建有趣的数据可视化。 Seaborn 库提供了多种数据可视化方法，如直方图、散点图、联合分布图等。下面我们将详细...
数据可视化技术应用-数据可视化工具介绍.pptx
02-16
微软的Excel是一款广泛使用的数据可视化入门级工具，尤其在商业环境中。它提供了一系列强大的功能，包括计算、图表制作和数据分析。Excel的图表类型丰富多样，不仅有经典的柱状图、折线图、饼图，还有后来新增的树状...
基于python的数据可视化.docx
最新发布
12-21
在Python中，有多个强大的库用于数据可视化，包括Pandas、Matplotlib和Seaborn，以及专门针对网页可视化的Pyecharts。 **Pandas**是Python的核心数据分析库，它提供了一个高效且灵活的数据结构——Series（一维数据...
Python 数据科学 Seaborn
Tangent的博客
07-05 735
用 Seaborn 绘制统计型数据可视图 Seaborn 是基于 matplotlib 开发的高阶Python 数据可视图库，用于绘制优雅、美观的统计图形。 使用下列别名导入该库（一般取别名为sns）： import matplotlib.pyplot as plt import seaborn as sns 使用 Seaborn 创建图形的基本步骤： 1.准备数据 2.设定画布外观 3.使用 Seaborn 绘图 4.自定义图形 import matplotlib.pyplot as plt
seaborn-data-master.zip
06-09
Python数据科学手册第3章用到的案例数据-seaborn程序库所包含。titanic.csv/planets.csv
seaborn
qq_41795577的博客
10-13 206
import seaborn as sns import matplotlib.pyplot as plt import numpy as np import pandas as pd plt.rcParams['font.sans-serif'] = ['SimHei']#正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False#正常显示负号 i...
导入seaborn的数据集方法load_datasets的问题
小肖学数据分析的博客
12-01 964
这个原因是load_dataset()会先从本地的seaborn_data去监测，我们通过这行代码看看seaborn_data的路径。解压后粘贴到seaborn_data的路径下。官方提供了github数据集。把数据部分下载下来，解压。
seaborn从入门到精通-seaborn在load_dataset(“tips“)出现超时的错误
IT从业者的成长历程
03-21 1382
sns.load_dataset("tips")出现超时的错误下载seaborn-data数据方法一：seaborn-data数据到默认位置方法二：通过指定data_home确定文件位置。
机器学习python库--seaborn
热门推荐
weixin_41395763的博客
02-15 1万+
seaborn简介 seaborn是基于matplotlib的数据可视化库。它在matplotlib的基础上，进行了更高级的封装，从而使得绘图更加容易，不需要经过大量的调整，就能使图像变得精致。 seaborn的几个鲜明特点如下： >绘图接口更加集成，可以通过少量的参数设置实现大量封装绘图。 >多数图表具有统计学含义，例如分布、关系、统计、回归等 >对pandas和numpy数据类型支持非常友好 >导入seaborn seaborn的依赖库为numpy、pandas、m
解决seaborn加载数据load_dataset()报错问题【＜urlopen error[WinError 10060]由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败＞】
m0_51339444的博客
01-04 1123
解决seaborn加载数据load_dataset()报错问题【】
解决seaborn加载数据load_dataset()报错问题
知识搬运者
04-10 734
主要是seaborn-data里面是空的(没有那些库文件数据，所以无法加载出来）
解决seaborn的load_dataset方法导不了数据问题
m0_56122176的博客
10-18 605
seaborn的解决问题
用numpy和seaborn对红酒的理化性质及品质进行分析
sinat_37935727的博客
03-14 1520
红酒数据集下载：https://github.com/jsusu/wine_analysis/tree/master/data_wine # 红酒数据分析 '''这个notebook分析了红酒的通用数据集。这个数据集有1599个样本，11个红酒的理化性质，以及红酒的品质（评分从0到10）。 这里主要目的在于展示进行数据分析的常见python包的调用，以及数据可视化。主要内容分为：单变量，双变量，和...
python数据可视化seaborn
09-14
总而言之，Seaborn是Python中一个功能强大且易于使用的数据可视化库，它可以帮助用户创建出具有专业外观的统计图表，并且提供了一些额外的功能来增强数据可视化的灵活性和美观度。如果你对Python数据可视化有兴趣，...

“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 5
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