seaborn使用

最新推荐文章于 2024-03-25 11:49:42 发布
最新推荐文章于 2024-03-25 11:49:42 发布
阅读量1.4k 收藏 6
点赞数 1
文章标签： python 深度学习 概率论
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/weixin_34280060/article/details/120525942
版权

文章目录

1、seaborn绘制单变量分布

在这里插入图片描述

import pandas as pd
import seaborn as sns,numpy as np
np.random.seed(0)
x=np.random.randn(100)
ax=sns.distplot(x,bins=10)

在这里插入图片描述

2、绘制双变量分布图行

在这里插入图片描述

import pandas as pd
import seaborn as sns,numpy as np
df = pd.DataFrame({"x":np.random.randn(500),"y":np.random.randn(500)})
df.head()
sns.jointplot("x","y",data=df)
sns.jointplot("x","y",data=df,kind="hex")
#核密度估计图形
sns.jointplot("x","y",data=df,kind="kde")

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

dataset = sns.load_dataset("iris")
dataset.head()
sns.pairplot(dataset)

在这里插入图片描述

3、类别散点图

在这里插入图片描述

import seaborn as sns,numpy as np

data = sns.load_dataset("tips")
data.head()
sns.stripplot(x="day",y="total_bill",data=data,hue="time")   #1
sns.stripplot(x="day",y="total_bill",data=data,hue="time",jitter = True)   #2
sns.swarmplot("day","total_bill",data=data)    #3

在这里插入图片描述
#1
在这里插入图片描述
#2
在这里插入图片描述
#3

4、类别内的数据分布

4.1、箱型图

在这里插入图片描述

sns.boxplot("day","total_bill",data=data,hue="time")

在这里插入图片描述

sns.boxplot("day","total_bill",data=data,hue="time",palette=["g","r"],saturation=0.9)

在这里插入图片描述

4.2、提琴图

在这里插入图片描述

sns.violinplot("day","total_bill",data=data,hue="time")

在这里插入图片描述

5、类别内统计估计

5.1、绘制条形图

x="day",y="total_bill",data=data

在这里插入图片描述

5.2、绘制点图

sns.pointplot(x="day",y="total_bill",data=data)

在这里插入图片描述

6、NBA数据获取和相关性基本分析

6.1基础数据指标

在这里插入图片描述

6.2、指标相关性分析

import numpy as np
import  pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data = pd.read_csv("D:\\data\\seaborn-data-master\\nba_2017_nba_players_with_salary.csv")
data.head()
data.shape
data.describe()
#数据相关性

data_cor = data.loc[:,['RPM','AGE','SALARY_MILLIONS','ORB','DRB','TRB',
                       'AST','STL','BLK','TOV','PF','POINTS','GP','MPG','ORPM','DRPM']]
data_cor.head()
corr = data_cor.corr()
corr.head()
plt.figure(figsize=(20 , 8),dpi=100)
sns.heatmap(corr,square= True,linewidths=0.1,annot=True)

在这里插入图片描述

6.3、基本分析

基本数据按照效率值排名分析

data.loc[:,["PLAYER","RPM","AGE"]].sort_values(by="RPM",ascending=False)

按照球员薪资排名分析

data.loc[:,["PLAYER","RPM","AGE","SALARY_MILLIONS"]].sort_values(by="RPM",ascending=False)

6.4、可视化

6.4.1、单变量

#球员薪水、效率值、年龄这三个信息的分布情况
sns.set_style("darkgrid")
plt.figure(figsize=(10,10))

plt.subplot(3,1,1)
sns.distplot(data["SALARY_MILLIONS"])
plt.ylabel("salary")

plt.subplot(3,1,2)
sns.distplot(data["RPM"])
plt.ylabel("RPM")

plt.subplot(3,1,3)
sns.distplot(data["AGE"])
plt.ylabel("AGE")

Text(0,0.5,'AGE')

在这里插入图片描述

6.4.2、双变量

sns.jointplot(data.AGE,data.SALARY_MILLIONS,kind ="hex")

在这里插入图片描述

6.4.3、多变量

muti_data=data.loc[:,["RPM","SALARY_MILLIONS","AGE","POINTS"]]
muti_data.head()
sns.pairplot(muti_data)

在这里插入图片描述

6.5、衍生变量可视化

def age_cut(df):
    if df.AGE <= 24:
        return "young"
    elif df.AGE >= 30:
        return "old"
    else:
        return "best"

data["age_cut"]=data.apply(lambda x:age_cut(x),axis=1)
data.head()
data["cut"]=1

#方便计数
data['cut']=1
data.loc[data.age_cut == "best"].SALARY_MILLIONS.head()
sns.set_style("darkgrid")
plt.figure(figsize=(10,10),dpi=100)
plt.title("RPM and Salary")

x1=data.loc[data.age_cut=="old"].SALARY_MILLIONS
y1=data.loc[data.age_cut=="old"].RPM
plt.plot(x1,y1,"^")

x2=data.loc[data.age_cut=="best"].SALARY_MILLIONS
y2=data.loc[data.age_cut=="best"].RPM
plt.plot(x2,y2,"^")

x3=data.loc[data.age_cut=="young"].SALARY_MILLIONS
y3=data.loc[data.age_cut=="young"].RPM
plt.plot(x3,y3,"^")

在这里插入图片描述

muti_data2=data.loc[:,["RPM","POINTS","TRB","AST","STL","BLK","age_cut"]]
sns.pairplot(muti_data2,hue="age_cut")

在这里插入图片描述

6.6、球队分析

6.6.1、按照球队分组，平均薪水降序排列

data.groupby(by="age_cut").agg({"SALARY_MILLIONS":np.max})

data_team = data.groupby(by="TEAM").agg({"SALARY_MILLIONS":np.mean})
data_team.sort_values(by="SALARY_MILLIONS",ascending=False).head(10)

6.6.1、按照球队年龄结构

分球队、分年龄段，上榜学员降序排列，如果上榜球员数相同，则按效率降序排列

data.groupby(by="age_cut").agg({"SALARY_MILLIONS":np.max})

data_team = data.groupby(by="TEAM").agg({"SALARY_MILLIONS":np.mean})
data_team.sort_values(by="SALARY_MILLIONS",ascending=False).head(10)

data_rpm = data.groupby(by=['TEAM','age_cut']).agg({"SALARY_MILLIONS":np.mean,"RPM":np.mean,"PLAYER":np.size})
data_rpm.head()

data_rpm.sort_values(by=["PLAYER","RPM"],ascending=False).head(10)
#按照球队综合实力排名
data_rpm2 = data.groupby(by=['TEAM'],as_index=False).agg({'SALARY_MILLIONS':np.mean,
                                                          'RPM':np.mean,
                                                          'PLAYER':np.size,
                                                          'POINTS':np.mean,
                                                          'FG':np.mean,
                                                          'MPG':np.mean,
                                                          'AGE':np.mean
                                                          })
data_rpm2.sort_values(by="RPM",ascending=False).head()

#利用箱线图和小提琴图进行数据分析
sns.set_style("whitegrid")
plt.figure(figsize=(20,10))
data_team2=data[data.TEAM.isin(['CS','CLE','SA','LAC','OKC','UTAH','CHA','TOR','NO','BOS'])]

plt.subplot(3,1,1)
sns.boxplot(x="TEAM",y="SALARY_MILLIONS",data=data_team2)

plt.subplot(3,1,2)
sns.boxplot(x="TEAM",y="AGE",data=data_team2)

plt.subplot(3,1,3)
sns.boxplot(x="TEAM",y="MPG",data=data_team2)

在这里插入图片描述

#绘制小提琴图
sns.set_style("whitegrid")
plt.figure(figsize=(20,10))
data_team2=data[data.TEAM.isin(['CS','CLE','SA','LAC','OKC','UTAH','CHA','TOR','NO','BOS'])]

plt.subplot(3,1,1)
sns.violinplot(x="TEAM",y="3P%",data=data_team2)

plt.subplot(3,1,2)
sns.violinplot(x="TEAM",y="eFG%",data=data_team2)

plt.subplot(3,1,3)
sns.violinplot(x="TEAM",y="POINTS",data=data_team2)

在这里插入图片描述

一蓑烟雨紫洛
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
seaborn-data-master.zip
07-05
seaborn数据集
Seaborn 基本使用
mengxianglong123的博客
05-20 8366
文章目录一、 Seaborn----绘制统计图形1. 可视化数据的分布2. 绘制单变量分布3. 绘制双变量分布3.1 绘制散点图3.2 绘制二维直方图3.3 绘制核密度估计图形4. 绘制成对的双变量分布5. 小结二、用分类数据绘图1 .类别散点图2. 类别内的数据分布2.1 绘制箱形图2.2 绘制提琴图3 类别内的统计估计3.1 绘制条形图3.2 绘制点图4. 小结 一、 Seaborn----绘制统计图形 Matplotlib虽然已经是比较优秀的绘图库了，但是它有个今人头疼的问题，那就是API使用过于复杂
数据可视化基础与应用-04-seaborn库从入门到精通01-02
IT从业者的成长历程
03-25 1317
本系列是数据可视化基础与应用的第04篇seaborn，是seaborn从入门到精通系列第1-2篇。本系列的目的是可以完整的完成seaborn从入门到精通。主要介绍基于seaborn实现数据可视化。
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 1257
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。
【Python基础】seaborn 使用指南（超详细！）
你一定能够成为你想要去成为的人。
02-05 1526
seaborn ：带着定制主题和高级界面控制的Matplotlib扩展包，兼容Numpy与Pandas数据结构；官网地址：http://seaborn.pydata.org/index.html (http://seaborn.pydata.org/index.html)
python数据科学系列：seaborn入门详细教程
wy122222222的博客
07-01 4532
01 初始seaborn seaborn是python中的一个可视化库，是对matplotlib进行二次封装而成，既然是基于matplotlib，所以seaborn的很多图表接口和参数设置与其很是接近。相比matplotlib而言，个人认为seaborn的几个鲜明特点如下： 绘图接口更为集成，可通过少量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 风格设置更为多样，例如风格、绘图环境和颜色配置等 正是由于seaborn的这些特
seaborn使用可视化介绍
09-28
seaborn使用可视化介绍
seaborn基本使用
12-21
1.关系图-散点图的绘制 2.关系图-折线图的绘制 3.分类图-分类散点图的绘制 4.分类图-分类分布图的绘制 5.分类图-分类统计图的...14.调色盘-调色盘的使用和定性调色盘 15.调色盘-连续和离散调色盘 16.作业-seaborn作业
python中seaborn包常用图形使用详解
09-18
今天小编就为大家分享一篇python中seaborn包常用图形使用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
seaborn常用数据案例
最新发布
04-21
anagrams、anscombe、attention、brain_networks、car_crashes、diamonds、dots、dowjones、exercise、flights、fmri、geyser、glue、healthexp、iris、mpg、penguins、planets、seaice、taxis、tips、titanic
seaborn-0.11.0-py3
01-08
本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，本地pip安装seaborn包，...
seaborn简明教程（一）
mighty13的专栏
05-18 3万+
1. 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API封装，从而使得绘图更加容易，不需要经过大量的调整，就能使图形变得精致。 seaborn的几个鲜明特点如下： 绘图接口更加集成，可通过少量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 风格设置更为多样，例如风格、绘图环境和颜色配置等 我们应该把seaborn视为matplotlib的补充，而
Seaborn的基础使用教程
YINUXY'S BLOG
03-23 1143
章节概要 Seaborn介绍： 安装Seaborn 加载库和数据文件 Seaborn的绘图功能 用Matplotlib定制 Pandas的作用 Seaborn 主题 调色盘 图形重叠 融合数据 迷你画廊 安装Seaborn 首先确定你的电脑已安装以下应用 Python 2.7+ or Python 3 Pandas Matplotlib Seaborn Jupyter Notebook(可选...
Seaborn第三方绘图
Small-J
05-30 4841
Seaborn第三方绘图 关系型绘图 Seaborn介绍 Seaborn是一个基于matplotlib且数据结构与pandas统一的统计图制作库。他提前已经定义好了一套自己的风格。然后也封装了一系列的方便的绘图函数，之前通过matplotlib需要很大代码才能完成绘图，使用seaborn可能是一行代码的事情。 Seaborn是基于matplotlib的Python数据可视化库。它提供了用于绘制引人入胜且内容丰富的统计图形的高级界面。 Seaborn的绘图 关系型绘图 分类型绘图 分布型绘图 线性绘图 S
Seaborn的入门和使用教程
mingzme的博客
07-23 2005
Seaborn的使用 简介 Seaborn 是以 matplotlib为底层，更容易定制化作图的Python库。 Seaborn 其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易。 在大多数情况下使用Seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图，换句话说，matplotlib更加灵活，可定制化，而seaborn像是更高级的封装，使用方便快捷。 应该把Seaborn视为matplotlib的补充，而不是替代物。 安装 pip in
Py之seaborn：seaborn库的简介、安装、使用方法之详细攻略
热门推荐
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
05-06 7万+
​ Py之seaborn：seaborn库的简介、安装、使用方法之详细攻略 目录 相关文章 seaborn库的简介 seaborn库的安装和使用方法 seaborn库的应用案例 相关文章 Py之seaborn：seaborn库的简介、安装、使用方法之详细攻略 https://yunyaniu.blog.csdn.net/article/details/80217906 Py之seaborn：数据可视化seaborn库的柱状图、箱线图(置信区间图)、散点图/折线图、核密度图/等高线图
解决seaborn.load_dataset()导入数据时报错问题
lnbbbb的博客
07-18 1876
解决sns.load_dataset()导入数据不成功问题
【宝藏级】全网最全的Seaborn详细教程-数据分析必备手册（2万字总结）
风口IT猪的成长录
11-12 2万+
数据分析必备手册-Seaborn详细教程seaborn库安装：官方文档：关系绘图relplot1. 基本使用：2. 添加hue参数：3. 添加col和row参数：4. 指定具体的列：5. 绘制折线图：分类绘图1. 分类散点图：1.1. stripplot：1.2. swarmplot：1.3. 横向分类散点图：2. 分类分布图：2.1. 箱线图：2.2. 小提琴图：3. 分类统计图：3.1. 条形图：3.2. 柱状图：3.3. 点线图：分布绘图单变量分布：二变量分布：散点图：六边形图：jointplot其他
seaborn使用教程
04-18
Seaborn是一种基于matplotlib的图形可视化库，它提供了一些方便的函数和预定义的图形风格，使得绘图更加简单和美观[^2]。下面是一个简单的Seaborn使用教程： 1. 安装Seaborn：可以通过pip或者conda进行安装，具体命令如下： ```shell # 通过pip安装 pip install seaborn # 通过conda安装 conda install seaborn ``` 2. 导入Seaborn库： ```python import seaborn as sns ``` 3. 设置图形风格： Seaborn提供了几种预定义的图形风格，可以通过设置`sns.set_style()`来选择不同的风格。例如，可以使用`darkgrid`风格： ```python sns.set_style("darkgrid") ``` 4. 绘制图形： Seaborn提供了多种绘图函数，可以根据需要选择合适的函数进行绘图。例如，可以使用`seaborn.lineplot()`函数绘制折线图： ```python import seaborn as sns import matplotlib.pyplot as plt # 创建数据 x = [1, 2, 3, 4, 5] y = [2, 4, 6, 8, 10] # 绘制折线图 sns.lineplot(x, y) # 显示图形 plt.show() ``` 这只是Seaborn的一小部分功能，你可以根据具体需求查阅Seaborn的官方文档，了解更多的绘图函数和用法。

“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
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