python第七周笔记_秦路《七周》Python部分 -- 可视化笔记（seaborn）

可视化部分的笔记可能没之前记的那么详尽，特别是seaborn这部分，特别是绘图函数的参数，我认为等以后用到这些图的时候再去研究详细的参数，记录笔记是要知道有这些图可以使用。

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline

分布

distplot 概率分布图

kdeplot 概率密度图

jointplot 联合密度图

painplot 多变量图

分类

boxplot 箱线图

violinplot 提琴图

barplot 柱形图

factorplot 因子图

线性

lmplot 回归图

heatmap 热力图

columns = ['use_id','order_dt','order_products','order_amount']

df = pd.read_table('CDNOW_master.txt',names=columns,sep='\s+')

sns.distplot(df.order_amount) #概率分布图

概率分布图

sns.kdeplot(df.order_amount) #概率密度图

概率密度图

grouped_user =df.groupby('use_id').sum()

sns.jointplot(grouped_user.order_products,grouped_user.order_amount) #联合密度图

联合密度图

df['order_dt'] =pd.to_datetime(df.order_dt,format = '%Y-%m-%d')

rfm = df.pivot_table(index = 'use_id',

values = ['order_products','order_amount','order_dt'],

aggfunc = {'order_products':'max',

'order_amount':'sum',

'order_dt':'count'

})

rfm['R']=-(rfm.order_dt - rfm.order_dt.max())

rfm.rename(columns={'order_products':'F','order_amount':'M'},inplace = True)

sns.jointplot(rfm.R,rfm.F) #联合密度图

联合密度图

sns.pairplot(rfm[['R','F','M']]) # 多变量图

多变量图

plt.rcParams['font.sans-serif'] ='SimHei'

df = pd.read_csv('cy.csv',encoding='gbk')

plt.figure(figsize = (20,5))

sns.boxplot(x='类型',y='口味',data=df) # 箱线图

箱线图

df2 =df.query("(城市 == '上海')|(城市 =='北京')")

plt.figure(figsize = (20,5))

sns.violinplot(x='类型',y='口味',hue='城市',data=df2,split =True)

箱线图

plt.figure(figsize = (20,5))

sns.violinplot(x='类型',y='口味',hue='城市',data=df2,split =True) # 提琴图

提琴图

sns.factorplot(x='类型',y='口味',data=df2,size=10) # 因子图

因子图

sns.lmplot(x='口味',y='环境',data=df) # 回归图

回归图

pt =df.pivot_table(index='城市',columns='类型',values='口味',aggfunc='mean')

plt.figure(figsize=(20,20))

sns.heatmap(pt) # 热力图

热力图