seaborn学习笔记（二）-CSDN博客

加载必要函数库和数据集：

import numpy as np
import pandas as pd
import seaborn as sns
from scipy import stats,integrate
from sklearn.datasets import load_boston
import matplotlib.pyplot as plt
%matplotlib inline
Data = load_boston()
X=pd.DataFrame(Data["data"])
y=pd.DataFrame(Data["target"])
Data=pd.DataFrame(np.hstack((X,y)))
data=pd.read_csv("Desktop/creditcard.csv")
iris_data = sns.load_dataset('iris') 
Data.columns=['a','b','c','d','e','f','g','h','i','j','k','l','m','n']

sns.stripplot(x='species', y='sepal_width', data=iris_data,jitter=False)
sns.stripplot(x='species', y='sepal_width', data=iris_data,jitter=True)
sns.swarmplot(x='species', y='sepal_width', data=iris_data)

可视化结果：

可以看到，stripplot函数与swarmplot函数的区别，jitter控制数据的横轴抖动，是为了便于看到数据分布，否则就像第一张图一样，只能看到重合的点。swarmplot函数会把所有点展开来，构成像树一样的图。

sns.boxplot(x='species', y='sepal_width', data=iris_data)
sns.violinplot(x='species', y='sepal_width', data=iris_data)
sns.barplot( y='sepal_width',x='species',data=iris_data)

可视化结果：

boxplot就是盒图（箱形图），violinplot就是小提琴图，因为图表形状很像小提琴,barplot就是条形图。

对于二分类问题，violinplot函数可以加入参数spilt=True，使图的左右部分给出不同类别的数据的分布状况。

boxplot函数给出了离群点的位置，也可以直观看出数据大体的范围。

[php]sns.factorplot(x='species', y='sepal_width', data=iris_data,kind="violin")
sns.factorplot(x='species', y='sepal_width', data=iris_data,kind="point")[/php]

可视化结果：

factorplot函数可以画很多种不同类型的图，只需指定所需图表的类别，在kind中指定。

FacetGrid：

p=sns.FacetGrid(iris_data,col="species")
p.map(plt.scatter,"sepal_width","sepal_length",alpha=0.5)

p=sns.FacetGrid(iris_data,hue="species")
p.map(plt.scatter,"sepal_width","sepal_length",alpha=0.5)

可视化结果：

FacetGrid函数需要事先指定要展示的数据内容和区域，在map中指定图片类型，特征等参数，alpha为透明度，上面两段代码唯一的区别就是col改成了hue。

DATA=np.random.rand(8,8)
print(DATA)
sns.heatmap(DATA)

DATA=np.random.rand(8,8)
sns.heatmap(DATA,center=0,vmin=-0.3,vmax=0.3)

输出矩阵：

[[ 0.75750516  0.20313223  0.09145105  0.35887358  0.8079581   0.19258187
   0.36633925  0.53386327]
 [ 0.48205504  0.69881584  0.1604213   0.62773251  0.3993524   0.84289293
   0.29897373  0.93503132]
 [ 0.75559178  0.85156274  0.68552551  0.56754039  0.51737525  0.54535109
   0.54623589  0.54437509]
 [ 0.33192422  0.6335807   0.403023    0.69527967  0.858398    0.27717522
   0.31641755  0.95058967]
 [ 0.08136173  0.45004231  0.65450865  0.28615466  0.07300981  0.94442768
   0.22882471  0.20661669]
 [ 0.28258605  0.43803549  0.15773595  0.04588618  0.77194494  0.77141915
   0.89607696  0.79850821]
 [ 0.5473918   0.89978138  0.90504899  0.83745209  0.63808153  0.86990867
   0.00449293  0.11147829]
 [ 0.77163825  0.93306494  0.7375752   0.42976015  0.27752934  0.42179227
   0.81880655  0.4185804 ]]