python的seaborn用于可视化分析_Python数据可视化-seaborn Iris鸢尾花数据

ViolinplotViolinplot相当于结合了箱形图与核密度图，更好地展现出数据的量化形态。展示如下：

R

1

2

3

plt.figure(1,figsize=(12,12))

foriinrange(4):

plt.show()

Violinplot用kernel density estimate去更好地描述了quantitative变量的分布。

与此同时，也可以组合swarmplot和boxplot或violinplot去描述quantitative变量。用鸢尾花数据集展示如下：

R

1

2

3

4

In[8]:

plt.figure(1,figsize=(12,12))

plt.title(str(var[i])+' in Iris species')

plt.show()

BarplotBarplot主要是展现在分类中的quantitative变量的平均值情况，并且用了boostrapping算法计算了估计值的置信区间和error bar.用鸢尾花数据集展示如下：

R

1

plt.show()

Countplot如果想知道在每个类别下面有多少个观察值，用countplot就可以，相当于是做一个observation counts，用鸢尾花数据集展示如下：

R

1

plt.show()

PointplotPointplot相当于是对barplot做了一个横向延伸，一方面，用point estimate和confidence level去展示barplot的内容；另一方面，当每一个主类别下面有更细分的sub-category的时候，pointplot可以便于观察不同sub-category在各主类别之间的联系。展示如下：

R

1

plt.show()

FactorplotFactorplot可以说是seaborn做category visualization的精髓，前面讲的这些plot都可以说是factorplot的具体展示。我们可以用PariGrid去实现对多个类别的数值特征用同一种plot做可视化。

R

1

2

g.map(sns.violinplot,palette='pastel')

plt.show()

附上各plot function的API，今后将会对API中的参数结合tutorial讲讲，如何做出更好的可视化效果。更新ing

R

1

seaborn.stripplot(x=None,y=None,hue=None,data=None,order=None,hue_order=None,

小结

seaborn是一个很棒的可视化库，尤其是当数据维度很大的时候，seaborn可以让我们用最少的代码去绘制一些描述性统计的图，便于找寻各维度变量之间的特征。此篇文档也是我对seaborn的学习笔记，这次整理的内容是关于category visualization。