用python的seaborn画好看的图

这篇文章是做实验楼的一个seaborn的实验，做的记录。

实验网址：https://www.lanqiao.cn/courses/892/learning/?id=3260

简介

seaborn是基于python下一个很优秀的画图的库matplotlib的进阶封装，主要在配色上更漂亮。下面这张图是matplotlib的。
下面的代码是用matplotlib画一个条形图和折线图。

import matplotlib.pyplot as plt
%matplotlib inline

x = [1, 3, 5, 7, 9, 11, 13, 15, 17, 19]
y_bar = [3, 4, 6, 8, 9, 10, 9, 11, 7, 8]
y_line = [2, 3, 5, 7, 8, 9, 8, 10, 6, 7]

plt.bar(x, y_bar)
plt.plot(x, y_line, '-o', color='y')

在画图前加上sns.set()就可以用seaborn美化matplotlib的图：

import matplotlib.pyplot as plt
import seaborn as sns
sns.set()
x = [1, 3, 5, 7, 9, 11, 13, 15, 17, 19]
y_bar = [3, 4, 6, 8, 9, 10, 9, 11, 7, 8]
y_line = [2, 3, 5, 7, 8, 9, 8, 10, 6, 7]

plt.bar(x, y_bar)
plt.plot(x, y_line, '-o', color='y')

关联图

关联图是分析两类数据的之间的关系，也是比较常用的。seaborn提供了三个API画这个图：

• relplot
• scatterplot
• lineplot

relplot是relation plot的缩写。主要有散点图和条形图。下面用鸢尾花数据集来画个散点图。

import seaborn as sns
sns.set()
iris = sns.load_dataset("iris")
sns.relplot(x="sepal_length", y="sepal_width", data=iris)

加入类别这个维度~

sns.relplot(x="sepal_length",y="sepal_width",hue='species',data=iris)

不同类别显示不一样的形状~

sns.relplot(x="sepal_length",y="sepal_width",hue='species',data=iris，style="species")

在kind处设置为scatter或者line

sns.relplot(x="sepal_length",y="sepal_width",hue="species",style="species",kind="scatter",data=iris)
sns.relplot(x="sepal_length",y="sepal_width",hue="species",style="species",kind="line",data=iris)

类别图

类别图的接口是catplot()，类别图主要是用来看不同类别的数据情况。
主要分为以下三种：

• 分类散点图
• 分类分布图
• 分类估计图

分类散点图

画一个分类散点图，自变量为连续的值，因变量为种类这一离散的值。

sns.catplot(x="sepal_length", y="species", data=iris)

在kind参数设置swarm，更好地看数据分布。

sns.catplot(x="sepal_length", y="species", kind="swarm", data=iris)

分类分布图

绘制箱线图

sns.catplot(x="sepal_length",y="species",kind="box",data=iris)

绘制小提琴图,虽然并没有看出哪里像小提琴。

sns.catplot(x="sepal_length",y="species",kind="violin",data=iris)

绘制增强箱线图

sns.catplot(x="species", y="sepal_length", kind="boxen", data=iris)

分类估计图

绘制点线图

sns.catplot(x="sepal_length", y="species", kind="point", data=iris)

绘制条型图

sns.catplot(x="sepal_length", y="species", kind="bar", data=iris)

绘制计数条形图，可以看到这三类数据个数都为50

sns.catplot(x="species", kind="count", data=iris)

分布图

单变量分布

sns.distplot(iris["sepal_length"],kde=True,hist=False)
#等价于下面注释的方法
#sns.kdeplot(iris["sepal_length"])

sns.distplot(iris["sepal_length"],kde=False,hist=True)

二元变量分布

sns.jointplot(x="sepal_length",y="sepal_width",data=iris)
#等价于下面注释的方法
#sns.jointplot(x="sepal_length",y="sepal_width",data=iris，kind="scatter")

sns.jointplot(x="sepal_length",y="sepal_width",data=iris)
#等价于下面注释的方法
#sns.jointplot(x="sepal_length",y="sepal_width",data=iris，kind="kde")

sns.jointplot(x="sepal_length", y="sepal_width", data=iris,kind="hex")

sns.jointplot(x="sepal_length", y="sepal_width", data=iris,kind="reg")

无敌的pairplot

sns.pairplot(iris,hue="species")

回归图

• regplot
• lmplot （支持hue）

sns.regplot(x="sepal_length", y="sepal_width", data=iris)

sns.lmplot(x="sepal_length", y="sepal_width", data=iris,hue="species")

矩阵图

到这边我已经看不懂这图画的到底是啥了=_=

• heatmap（热力图）
• clustermap (层次聚类图）

import numpy as np
sns.heatmap(np.random.rand(5,5))

iris.pop("species")#把标签弹出去，
sns.clustermap(iris)#然后进行层次聚类

总结

参考链接

• seaborn官方文档：https://seaborn.pydata.org/api.html
• 实验楼seaborn数据可视化基础入门：https://www.lanqiao.cn/courses/892/learning/?id=3260