python seaborn数据可视化_Python数据分析~seaborn数据可视化

import seaborn as sns

import pandas as pd

np.random.seed(100)

v1 = pd.Series(np.random.normal(0, 10, 1000), name='v1')

v2 = pd.Series(2 * v1 + np.random.normal(60, 15, 1000), name='v2')

# 通过matplotlib绘图

plt.figure()

plt.hist(v1, alpha=0.7, bins=np.arange(-50, 150, 5), label='v1')

plt.hist(v2, alpha=0.7, bins=np.arange(-50, 150, 5), label='v2')

plt.legend()

plt.figure()

plt.hist([v1, v2], histtype='barstacked', normed=True)

v3 = np.concatenate((v1, v2))

sns.kdeplot(v3)

# 使用seaborn绘图

plt.figure()

sns.distplot(v3)

# 使用seaborn绘图

plt.figure()

sns.jointplot(v1, v2, alpha=0.4)

# 使用seaborn绘图

plt.figure()

grid = sns.jointplot(v1, v2, alpha=0.4)#散布图

grid.ax_joint.set_aspect('equal')

plt.figure()

sns.jointplot(v1, v2, kind='hex')#二维直方图

plt.figure()

sns.jointplot(v1, v2, kind='kde')#核密度估计

iris = pd.read_csv('iris.csv')

iris.head()

# 数据集中变量间关系可视化

sns.pairplot(iris, hue='Name', diag_kind='kde')

plt.figure()

plt.subplot(121)

sns.swarmplot('Name', 'PetalLength', data=iris)

plt.subplot(122)

sns.violinplot('Name', 'PetalLength', data=iris)