seaborn的学习日志

1. Relational plots(关系图)

数据分析中就是理解变量如何相互关联，当这些关系被正确可视化时，我们往往可以从中获取某种关系或模式。

Relational plots 主要讨论三个函数：

• scatterplot(散点图)
• lineplot(线图)
• relplot(关系图)

首先，我们导入库函数：

import numpy as np
import pandas as pd

import matplotlib.pyplot as plt
import seaborn as sns

• 1
• 2
• 3
• 4
• 5

1.1 scatterplot(散点图)

散点图是利用散点来描述两个变量的联合分布，scatterplot 适用于变量都是数字的情况。在后面的Categorical plots(分类图)中，我们将会看到使用散点图可视化分类数据的专门工具。

#scatterplot参数
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, 
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, 
size_order=None, size_norm=None, markers=True, style_order=None,
 x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, 
 alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)

• 1
• 2
• 3
• 4
• 5
• 6

Seaborn函数中的参数特别多，但是其实大部分都是相同的，因此，我们可以很容易类推到其他函数的使用。下面简单介绍这些参数的含义。

• x,y: 传入的特征名字或Python/Numpy数据，x表示横轴，y表示纵轴，一般为dataframe中的列。如果传入的是特征名字，那么需要传入data，如果传入的是Python/Numpy数据，那么data不需要传入。因为Seaborn一般是用来可视化Pandas数据的，如果我们想传入数据，那使用Matplotlib也可以。
• hue: 分组变量，将产生不同颜色的点。可以是分类的，也可以是数字的。被视为类别。
• data: 传入的数据集，可选。一般是dataframe
• style: 分组变量，将产生不同标记点的变量分组。被视为类别。
• size: 分组变量，将产生不同大小的点。可以是分类的，也可以是数字的。
• palette: 调色板，后面单独介绍。
• markers: 绘图的形状，后面单独介绍。
• ci: 允许的误差范围（空值误差的百分比，0-100之间），可为‘sd’，则采用标准差（默认95）
• n_boot(int): 计算置信区间要使用的迭代次数
• alpha: 透明度
• x_jitter, y_jitter: 设置点的抖动程度。

下面给出两个例子：

# 使用seaborn的数据
tips = sns.load_dataset('tips')
sns.scatterplot(x='total_bill',y='tip',data=tips)
plt.show()

• 1
• 2
• 3
• 4

sns.scatterplot(x='total_bill',y='tip',hue='day',style='time',size='size',data=tips)
plt.show()

• 1
• 2

1.2 lineplot(线图)

seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None,
 data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,
  size_order=None, size_norm=None, dashes=True, markers=None, 
  style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, 
  sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)

• 1
• 2
• 3
• 4
• 5

参数和散点图差不多，所以直接上例子：

fmri = sns.load_dataset('fmri')
sns.lineplot(x="timepoint", y="signal", data=fmri)
# 阴影是默认的置信区间，可设置ci=0，将其去除