python绘图库seaborn_Python绘图库，能做到极致简洁也只有这款了

提到Python的图形可视化库，估计你会想到Matplotlib、pyechart、Plotly等，但 Seaborn 却相对低调了许多。最近在做可视化作图中，发现 Seaborn 许多复杂的图形只需一行代码就可以搞定，将作图做到极致简洁，不愧是一款低调却非常有实力的可视化库。

原文链接https://mp.weixin.qq.com/s?__biz=MzAxNTAwNjQzNw==&mid=2448605936&idx=1&sn=03ea8ef81c30c55dc6c255e226b1e6ba&chksm=8f8ccd7ab8fb446ca1c9ecfa4e17ac20c26b55d3a7162a79e125f1db20ffc119d499b9e03505&token=732480305&lang=zh_CN#rd​mp.weixin.qq.com

Seaborn 是什么

Seaborn 是一个基于matplotlib的高级可视化效果库，主要针对数据挖掘和机器学习中的变量特征选取，Seaborn 可以用短小的代码去绘制描述更多维度数据的可视化效果图。即便是没有什么基础的人，也可以通过极简的代码，做出具有分析价值而又十分美观的图形。

官方链接为： Seaborn官方链接[1]

Seaborn 提供的功能如下：面向数据集的API，用于检查多个变量之间的关系

专门支持使用分类变量显示观察结果或汇总统计信息

可视化单变量或双变量分布以及在数据子集之间进行比较的选项

不同种类因变量的线性回归模型的自动估计和绘图

用于构造多图网格的高级抽象，可让您轻松构建复杂的可视化

带有几个内置主题的 matplotlib图形样式的精确控制

选择能够忠实显示数据中图案的调色板的工具

Seaborn 安装

#方法1

pip install seaborn

#方法2

conda install seaborn

#方法3

pip install git+https://github.com/mwaskom/seaborn.git

图列展示

1、散点图矩阵

sns.pairplot(iris,hue="species", palette="Set2", diag_kind="kde", height=2.5)

2、小提琴图

sns.violinplot(x="day", y="total_bill", hue="smoker",split=True, inner="quart",palette={"Yes": "y", "No": "b"},data=tips)

3、箱线图

sns.catplot(x="color", y="price", kind="boxen",data=diamonds.sort_values("color"));

4、线性图

# shared across the facets

palette = dict(zip(dots.coherence.unique(),sns.color_palette("rocket_r", 6)))

# Plot the lines on two facets

sns.relplot(x="time", y="firing_rate",hue="coherence", size="choice", col="align",size_order=["T1", "T2"], palette=palette,height=5, aspect=.75, facet_kws=dict(sharex=False),kind="line", legend="full", data=dots)

5、自定义投影的FacetGrid

import numpy as np

import pandas as pd

import seaborn as sns

sns.set()

# Generate an example radial datast

r = np.linspace(0, 10, num=100)

df = pd.DataFrame({'r': r, 'slow': r, 'medium': 2 * r, 'fast': 4 * r})

# Convert the dataframe to long-form or "tidy" format

df = pd.melt(df, id_vars=['r'], var_name='speed', value_name='theta')

# Set up a grid of axes with a polar projection

g = sns.FacetGrid(df, col="speed", hue="speed",subplot_kws=dict(projection='polar'), height=4.5,sharex=False, sharey=False, despine=False)

# Draw a scatterplot onto each axes in the grid

g.map(sns.scatterplot, "theta", "r")

6、树形图

import pandas as pd

import seaborn as sns

sns.set()

# Load the brain networks example dataset

df = sns.load_dataset("brain_networks", header=[0, 1, 2], index_col=0)

# Select a subset of the networks

used_networks = [1, 5, 6, 7, 8, 12, 13, 17]

used_columns = (df.columns.get_level_values("network")

.astype(int)

.isin(used_networks))

df = df.loc[:, used_columns]

# Create a categorical palette to identify the networks

network_pal = sns.husl_palette(8, s=.45)

network_lut = dict(zip(map(str, used_networks), network_pal))

# Convert the palette to vectors that will be drawn on the side of the matrix

networks = df.columns.get_level_values("network")

network_colors = pd.Series(networks, index=df.columns).map(network_lut)

# Draw the full plot

sns.clustermap(df.corr(), center=0, cmap="vlag",row_colors=network_colors, col_colors=network_colors,linewidths=.75, figsize=(13, 13))

推荐阅读

参考资料

[1]