python seaborn 散点图矩阵_Python数据可视化：Seaborn（三）：变量分析

这篇文章主要是单变量分析时最常用的几种图的绘制方法，也就是散点图、直方图以及其复合图

日常是必须的包和基本设置import numpy as np

import pandas as pd

from scipy import stats, integrate

import matplotlib.pyplot as plt

import seaborn as sns

sns.set(color_codes=True)

np.random.seed(sum(map(ord, "distributions")))

生成高斯分布并绘图

使用numpy的random包很容易生成特定分布的随机数，这里我们生成高斯分布"""

numpy.random.normal(loc=0.0, scale=1.0, size=None)

loc：均值

scale：标准差

"""

x = np.random.normal(size=100)

sns.distplot(x,kde=False)

#会根据数据自动确定轴的范围

#bins：指定数据切分块数

sns.distplot(x, bins=20, kde=False)

数据分布情况

曲线拟合x = np.random.gamma(6, size=200)

sns.distplot(x, kde=False, fit=stats.gamma)#曲线拟合

根据均值和协方差生成数据mean, cov = [0, 1], [(1, .5), (.5, 1)]

data = np.random.multivariate_normal(mean, cov, 200)

df = pd.DataFrame(data, columns=["x", "y"])

散点图的绘制

观察两个变量之间的分布关系最好使用散点图，使用Seaborn还可以很轻松的在散点图周围生成单变量直方图，从而更加形象与直观#同时绘制散点图和单变量直方图

sns.jointplot(x="x", y="y", data=df);

密度图的绘制#对于大量数据使用"hex"来看出数据密度分布情况

x, y = np.random.multivariate_normal(mean, cov, 1000).T

with sns.axes_style("white"):

sns.jointplot(x=x, y=y, kind="hex", color="k")

更加复杂的复合图像#使用内置数据集，利用pairplot将两两特征的关系图绘制出来

iris = sns.load_dataset("iris")

sns.pairplot(iris)