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)