Seaborn数据可视化入门

在本节学习中，我们使用Seaborn作为数据可视化的入门工具

Seaborn的官方网址如下：http://seaborn.pydata.org

 

 

一：definition

Seaborn is a Python data visualization library based on matplotlib. It provides a high-level interface for drawing attractive and informative statistical graphics.

Seaborn是基于matplotlib的数据可视化库，它的主要功能是做数据可视化

 

二：Setup the notebook

对数据进行初始化，引入相应的包

 

import pandas as pd

import matplotlib.pyplot as plt

%matplotlib inline

import seaborn as sns

pirnt("Setup Complete")

 

三: Load the data

 加载数据

 

 

file_path = "../input/fifa.csv"

fifa_data = pd.read_csv(file_path, index_col="Date", parse_Dates=True)

 

 

 

  

注： 

file_path:              

表示dataset的路径

 

idnex_col="Date" :  

When we load the dataset, we want each entry in the first column to denote a different row. To do this, we set the value of index_col to the name of the first column ("Date", found in cell A1 of the file when it's opened in Excel).

 

parse_dates=True：

This tells the notebook to understand the each row label as a date (as opposed to a number or other text with a different meaning).

 

 

四: Examine the data

 

列出数据的前5行检验：

fifa_data.head()

 

  

 

五: Plot the data

 

• Line Chart

　　plt.figure(figsize=(16,6))

　　sns.lineplot(data=fifa_data)

 

 

 

注：

 

plt.figure(figsize=(16,6))

设定的是图形的宽度和高度

 

plt.title("name") 增加title，并命名为name

sns.lineplot(data=fifa_data)画出数据的线状图 

 

若想plot a subset of the data （仅仅画出一部分图线）：

 

sns.lineplot(data=spotify["shape of you"],label=shape of you")

sns.lineplot(data=spotify["despacito"], label="despatito")

plt.xlabel("name X")

plt.blabel("name Y") 

 

注：

plt.xlabel

plt.ylabel 

是分别对label x, y 进行命名

 

 

 

  

• Bar Charts

 

 

　　plt.title("Average Arrival Delay for Spirit Airlines Flights, by Month")

　　sns.barplot(x=flight_data.index, y=flight_data['NK'])

　　plt.ylabel("Arrival delay (in minutes)"

 

 

 注：

x=flight_data.index ：

This determines what to use on the horizontal axis. In this case, we have selected the column that indexes the rows (in this case, the column containing the months).

 

 

•  Heat Maps

 

 

　　plt.figure(figsize=(16,6))

　　plt.title("Average Arrival Delay for Each Airline, by Month")

　　sns.heatmap(data=flight_data,annot=True)

　　plt.xlabel("Airline")

 

 

注：

sns.heatmap:

This tells the notebook that we want to create a heatmap.

 

data=flight_data:

This tells the notebook to use all of the entries in flight_data to create the heatmap

 

annot=Ture:

This ensures that the vlaues for each cell appear on the chart.

 

 

 

• Scatter plots

　　

(1)　　sns.scatterplot (x=insurance_data['bmi'], y=insurance_data['charges'])

 

 

注：

the horizontal x-axis (x=insurance_data['bmi'])

the vertical y-axis (y=insurance_data['charges'])

 

(2)　　为了看出点的关系强度，可以使用regression line（回归线）

　　　　

　　　 sns.regplot(x=insurance_data['bmi'], y=insurance_data['charges'])

 

 

 

 

 

 

 

(3)　　sns.scatterplot(x=insurance_data['bmi'], y=insurance_data['charges'], hue=insurance_data['smoker'])

 

 　　　hue=insurance_data['smoker']:按照hue来对数据进行标色

 

 

 

 

•  Histograms

 

 

 　　　sns.distplot(a=iris_data['Petal Length (cm)'], kde=False)

 

 

 

 

• Density plots

 

　　更平滑的图： 

 

　　sns.kdeplot(data=iris_data['Petal Length(cm)'], shade=True)

 

 

 

 

六：Conclusion 

 

下图显示，在seaborn中，选择图形需要根据需求来决定

 

 

转载于:https://www.cnblogs.com/zhichun/p/11466705.html