这是 Python 数据可视化系列的第五节《Seaborn 下》。
Python 数据可视化
之前 Python 数据分析和基础系列的所有课程链接如下。
Python 数据分析
Python 基础
Seaborn 中关注的内容是第 3 篇,也是完结篇,组合图。
1. Seaborn 101
场景设定
风格设定
色调设定
图级轴级
Seaborn 数据集
2. 单图
关系图
分布图
分类图
回归图
矩阵图
3. 组合图
多图网格
配对网格
联合网格
为了使读者从图中快速提取复杂数据的信息,可将单图按照合理的方式组合起来。实现组合图通常有两种方法:
当子图是同类型,用 FacetGrid 建立网格对象,然后用 Seaborn 中的图级函数通过设置参数 row 和 col 来画图,如
relplot(row, col)
displot(row, col)
catplot(row, col)
lmplot(row, col)
当子图是异类型,用 plt.subplots() 建立子图,然后每个子图坐标系中用 Seaborn 中的轴级函数来画图,如
scatterplot(ax=ax[0])
histplot(ax=ax[1])
stripplot(ax=ax[2])
regplot(ax=ax[3])
在 Seaborn 中组合图分为三种:多面图、配对图和组合图。
多面图
FacetGrid 多面图可以从三个维度来构建:行、列和颜色,在图级函数中分别设定参数 row, col 和 hue。前两个参数代表平面的长和宽,而参数 hue 为第三个维度,代表深度,由于图是平面图,因此第三维用不同的颜色来体现。
展示几个例子:
配对图
另外一种组合图可使用配对网格 PairGrid。在 PairGrid 中,每行每列都被分配给一个不同的变量,最后生成的图片可以展示数据集中所有的成对关系。这种风格的绘图有时被称为“散点图矩阵”,因为散点是展示两组数据关系的最常见方式,但是 PairGrid 不仅限于散点图。多面网格 FacetGrid 和配对网格 PairGrid 的不同如下:
在 FacetGrid 中,每张子图展示了相同的变量关系,不同的只是数据子集。数据子集的划分是由指定的 col, row 和 hue 维度变量决定的,这些变量相互交叉后产生一系列最小粒度的数据子集,每个子集对应了一张子图,也就是说,不管是多少行、多少列还是多少颜色,它们都对应着这些维度变量的取值。
在 PairGrid 中,每张子图代表了不同的两个变量关系,当然“矩阵”上下三角位置的图会有镜像的关系,因为它们相当于互换了 x 轴和 y 轴。
展示几个例子:
联合图
多面网格 FacetGrid 画同类图,配对网格 PairGrid 画配对图,联合网格 JointGrid 画联合图。
展示几个例子:
想学就开始吧!
绝不会让你失望!
付费用户(付 1 赠 1)可以获得:
观看课程视频 (70 分钟)
Python 代码 (Jupyter Notebook)
Jupyter Notebook
课程视频 (建议用电脑微信 APP 看)
百度盘下载地址:
链接:https://pan.baidu.com/s/1zJnvKRtop_SCiolX48sWfw
提取码:bgqv