十九、Seaborn数据可视化

@Author：Runsen

@Date：2019年07月07日

作者介绍：Runsen目前大三下学期，专业化学工程与工艺，大学沉迷日语，Python， Java和一系列数据分析软件。导致翘课严重，专业排名中下。.在大学60%的时间，都在CSDN。

本专栏数据分析全系列：将使用Excel，Powerbi，Python，R，Sql，SPSS，stata以及Tableau，后面还会补充BI。这个从2020年期末考试，由于大三上大学挂了大学以来的两科化工原理和热力学。从此，决定逃离CSDN，但是发现我已经深深爱上了CSDN，这个我从大一奋斗到现在的地方。

于是将每天一直写，不断地回顾和反省，大学三年搞数据的从小白变老手的经验，想看就给钱，就是这么直接。这些是一月份我决定写书，结果别人看不起我写的。

没看上篇的先看上篇

十八、Matplotlib数据可视化

Seaborn

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。

# 条形图
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
# 加载数据集泰坦尼克号
titanic=sns.load_dataset('titanic')

titanic.head()

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

# 绘制箱型图
sns.barplot(x='class',y='survived',data=titanic)

# 通过设置'hue'参数，对x轴的数据进行细分，细分的条件就是'hue'的参数值，
# 比如这里我们的x轴是'class'（仓位等级），我们将其按'sex'（性别）再进行细分。
sns.barplot(x='class',y='survived',hue='sex',data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1f68244a860>

barplot

sns.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean at 0x000001F6FB742840>,
ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor=’.26’, errwidth=None, capsize=None，
dodge=True, ax=None, **kwargs)

# 直方图 
import numpy as np
# 正态分布
x = np.random.normal(size=100)
sns.set(color_codes=True) 
#  sns.set(context='notebook', style='darkgrid', palette='deep', 
#  font='sans-serif', font_scale=1, color_codes=False, rc=None)
np.random.seed(sum(map(ord, "distributions")))
sns.distplot(x,kde=True) #distplot()函数会根据输入数据自动绘制直方图

<matplotlib.axes._subplots.AxesSubplot at 0x1f68220c2b0>

distplot

sns.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None,
fit_kws=None, color=None, vertical=False, norm_hist=False,
axlabel=None, label=None, ax=None)

# 计数图 
sns.countplot(x='deck',data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1f68246bc88>

countplot

sns.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None,
palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)

# 横图
sns.countplot(y='deck',hue='who',data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1f6824e1588>

# 散点图
sns.jointplot(x='age',y = 'fare',data=titanic)

<seaborn.axisgrid.JointGrid at 0x1f6843f5b70>

import numpy as np
mean, cov = [0, 1], [(1, .5), (.5, 1)] #自定义均值与协方差
data = np.random.multivariate_normal(mean, cov, 200) #生成200个数据
df = pd.DataFrame(data, columns=["x", "y"]) #通过pandas读入数据
sns.jointplot(x='x',y = 'y',data=df)

regplot和 lmplot

iris = sns.load_dataset("iris") #载入鸢尾花数据集
sns.pairplot(iris) #绘制

<seaborn.axisgrid.PairGrid at 0x1f685be3160>

# 回归图 
# Seaborn 中利用 regplot() 和 lmplot() 来进行回归，确定线性关系
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
#导入数据集'iris'
iris=sns.load_dataset('iris')
#随机查看数据集的10行数据
iris.sample(5)

	sepal_length	sepal_width	petal_length	petal_width	species
90	5.5	2.6	4.4	1.2	versicolor
129	7.2	3.0	5.8	1.6	virginica
130	7.4	2.8	6.1	1.9	virginica
149	5.9	3.0	5.1	1.8	virginica
45	4.8	3.0	1.4	0.3	setosa

regplot

sns.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci=‘ci’,scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker=‘o’, scatter_kws=None, line_kws=None, ax=None)

sns.regplot(x='sepal_length',y='petal_length',data=iris)

sns.regplot(x='sepal_length',y='petal_length',data=iris,ci=None)