python高端玩法_Python数据可视化：用Seaborn绘制高端玩家版散点图

x = np.random.rand(N)

y = np.random.rand(N)

colors = np.random.rand(N)

area = (30 * np.random.rand(N))**2 # 0 to 15 point radii

plt.scatter(x, y, s=area, c=colors, alpha=0.5)

plt.show

matplotlib散点图升级版

散点的大小、形状、颜色和透明度都是可以修改的，来看一个升级版。

import matplotlib.pyplot as plt

import numpy as np

N = 10

x = np.random.rand(N)

y = np.random.rand(N)

# 每个点随机大小

s = (30*np.random.rand(N))**2

# 随机颜色

c = np.random.rand(N)

plt.scatter(x, y, s=s, c=c, alpha=0.5)

plt.show

Seaborn散点图 + 分布图#创建数据

rs = np.random.RandomState(2)

df = pd.DataFrame(rs.randn(200,2), columns = [ 'A', 'B'])

sns.jointplot(x=df[ 'A'], y=df[ 'B'], #设置xy轴，显示columns名称

data = df, #设置数据

color = 'b', #设置颜色

s = 50, edgecolor = 'w', linewidth = 1, #设置散点大小、边缘颜色及宽度(只针对scatter)

stat_func=sci.pearsonr,

kind = 'scatter', #设置类型：'scatter','reg','resid','kde','hex'

#stat_func=,

space = 0.1, #设置散点图和布局图的间距

size = 8, #图表大小(自动调整为正方形))

ratio = 5, #散点图与布局图高度比，整型

marginal_kws = dict(bins=15, rug =True), #设置柱状图箱数，是否设置rug

)

带线性回归最佳拟合线的散点图

如果你想了解两个变量如何相互改变，那么最佳拟合线就是常用的方法。下图显示了数据中各组之间最佳拟合线的差异。要禁用分组并仅为整个数据集绘制一条最佳拟合线，请从下面的 sns.lmplot调用中删除 hue ='cyl'参数。

import seaborn as sns

sns.set(style= "darkgrid")

tips = sns.load_dataset( "tips")

g = sns.jointplot( "total_bill", "tip", data=tips,

kind= "reg", truncate=False,

xlim=(0, 60), ylim=(0, 12),

color= "m", height=7)

矩阵散点图

矩阵散点图 - pairplot

#设置风格

sns.set_style( 'white')

#读取数据

iris = sns.load_dataset( 'iris')

print(iris.head)

sns.pairplot(iris,

kind = 'scatter', #散点图/回归分布图{'scatter', 'reg'})

diag_kind = 'hist', #直方图/密度图{'hist'， 'kde'}

hue = 'species', #按照某一字段进行分类

palette = 'husl', #设置调色板

markers = [ 'o', 's', 'D'], #设置不同系列的点样式(这里根据参考分类个数)

size = 2 #图标大小

)