python画弯曲的线_Python可视化27|seaborn绘制线型回归图曲线

本文详细介绍seaborn绘制变量之间线型回归(linear regression)曲线，涉及如下两个重要函数：

seaborn.regplot

seaborn.lmplot

本文速览

目录

1、绘图数据准备

2、seaborn.regplot

regplot默认参数线型回归图

分别设置点和拟合线属性

置信区间（confidence interval）设置

拟合线延伸与坐标轴相交

拟合离散变量曲线

多项式回归（ polynomial regression）拟合曲线

3、seaborn.lmplot

按变量分类拟合回归线

散点marker设置

散点调色盘

拟合线属性设置

绘制分面图

1、绘图数据准备

依旧使用鸢尾花iris数据集，详细介绍见之前文章。

#导入本帖要用到的库，声明如下：

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

import palettable

from pandas import Series,DataFrame

from sklearn import datasets

import seaborn as sns

import palettable

#导入鸢尾花iris数据集（方法一）

#该方法更有助于理解数据集

iris=datasets.load_iris()

x, y =iris.data,iris.target

y_1 = np.array(['setosa' if i==0 else 'versicolor' if i==1 else 'virginica' for i in y])

pd_iris = pd.DataFrame(np.hstack((x, y_1.reshape(150,1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'])

#astype修改pd_iris中数据类型object为float64

pd_iris['sepal length(cm)']=pd_iris['sepal length(cm)'].astype('float64')

pd_iris['sepal width(cm)']=pd_iris['sepal width(cm)'].astype('float64')

pd_iris['petal length(cm)']=pd_iris['petal length(cm)'].astype('float64')

pd_iris['petal width(cm)']=pd_iris['petal width(cm)'].astype('float64')

#导入鸢尾花iris数据集（方法二）

#该方法有时候会卡巴斯基，所以弃而不用

#import seaborn as sns

#iris_sns = sns.load_dataset("iris")

数据集简单查看

2、seaborn.regplotseaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)regplot默认参数线型回归图

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)#设置主题，文本大小

g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

color='#000000',#设置marker及线的颜色

marker='*',#设置marker形状

)分别设置点和拟合线属性

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

color='#000000',

marker='*',

scatter_kws={'s': 60,'color':'g',},#设置散点属性，参考plt.scatter

line_kws={'linestyle':'--','color':'r'}#设置线属性，参考 plt.plot

)置信区间（confidence interval）设置

注意拟合线周围阴影面积变化

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

color='#000000',

marker='*',

ci=60,#置信区间设置，默认为95%置信区间，越大线周围阴影部分面积越大

)拟合线延伸与坐标轴相交

# extend the regression line to the axis limits

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

color='#000000',

marker='*',

truncate=False,#让拟合线与轴相交

)拟合离散变量曲线

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

x_discrete=[0 if i=='setosa' else 1 if i=='versicolor' else 2 for i in pd_iris['class']]#

g=sns.regplot(x=x_discrete, y='sepal width(cm)', data=pd_iris,#x此时为离散变量

color='#000000',

marker='*',

)多项式回归（ polynomial regression）拟合曲线

plt.figure(dpi=110)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

marker='*',

order=4,#默认为1，越大越弯曲

scatter_kws={'s': 60,'color':'#016392',},#设置散点属性，参考plt.scatter

line_kws={'linestyle':'--','color':'#c72e29'}#设置线属性，参考 plt.plot

)

3、seaborn.lmplotseaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)

seaborn.lmplot结合seaborn.regplot()和FacetGrid，比seaborn.regplot()更灵活，可绘制更个性化的图形。按变量分类拟合回归线

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

hue='class',

)

g.fig.set_size_inches(10,8)散点marker设置

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

hue='class',

markers=['+','^','o'], #设置散点marker

)

g.fig.set_size_inches(10,8)散点调色盘

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

hue='class',

markers=['+','^','*'],

scatter_kws={'s':180},

palette=["#01a2d9", "#31A354", "#c72e29"],#调色盘

)

g.fig.set_size_inches(10,8)拟合线属性设置

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

hue='class',

markers=['+','^','*'],

scatter_kws={'s':180},

line_kws={'linestyle':'--'},#拟合线属性设置

palette=["#01a2d9", "#31A354", "#c72e29"],

)

g.fig.set_size_inches(10,8)绘制分面图

plt.figure(dpi=100)

sns.set(style="whitegrid",font_scale=1.2)

g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

col='class',#按class绘制分面图

markers='*',

scatter_kws={'s':150,'color':'#01a2d9'},

line_kws={'linestyle':'--','color':'#c72e29'},#直线属性设置

)

g.fig.set_size_inches(10,8)

参考文献：