【Python基础】seaborn 使用指南（超详细！）

最新推荐文章于 2025-03-11 08:51:56 发布
最新推荐文章于 2025-03-11 08:51:56 发布
阅读量1.9w 收藏 290
点赞数 82
分类专栏： Python基础 文章标签： python 开发语言 seaborn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48024605/article/details/136037709
版权

文章目录

seaborn

1 seaborn简介

seaborn ：带着定制主题和高级界面控制的Matplotlib扩展包，兼容Numpy与Pandas数据结构；

官网地址：http://seaborn.pydata.org/index.html (http://seaborn.pydata.org/index.html)

1.1 主要特征：

  • 基于matplotlib绘图风格，增加了绘图模式
  • 增加调色板功能，色彩更加丰富
  • 绘图接口功能强大，能够处理更加复杂图形绘制
  • 用数据子集绘制与比较单变量和双变量分布的功能
  • 用聚类算法可视化矩阵数据
  • 灵活运用处理时间序列数据
  • 利用网格建立复杂图像集

一句话概括：seaborn能够使用最简单的代码，将数据进行更好的展示；

1.2 seaborn主要内容

  • 图表风格，颜色，线条等基本设置
  • seaborn常用的数据集
  • seaborn常用图表详解

2 seaborn基本设置

import seaborn as sns
sns.__version__

'0.13.0'

import matplotlib.pyplot as plt
#导入seaborn
import seaborn as sns
import numpy as np
import pandas as pd
%matplotlib inline
#使用lineplot绘制直线
sns.lineplot(x=[1,2,3],y=[1,2,3])

<AxesSubplot: >

​
png
​

2.1 图表大小：context

sns.set_context(context=None, font_scale=1, rc=None)

  • context值：paper, notebook, talk, poster
  • font_scale：字体缩放
  • 设置之后在jupyter中一直生效
x = [1,2,3]
y = [1,2,3]
sns.set_context('notebook', font_scale=1)
sns.lineplot(x=x,y=y)

<AxesSubplot: >

​
png
​

2.2 设置风格

sns.set_style(style=None, rc=None)

  • style：darkgrid, whitegrid, dark, white, ticks
  • rc：字典格式，设置seaborn其他样式，例如：字体，子大小等
x = [1,2,3]
y = [1,2,3]
#改变风格
sns.set_style('darkgrid')
sns.lineplot(x=x,y=y)

<AxesSubplot: >

​
png
​

# 获取当前风格
sns.axes_style()

{'axes.facecolor': '#EAEAF2',
 'axes.edgecolor': 'white',
 'axes.grid': True,
 'axes.axisbelow': True,
 'axes.labelcolor': '.15',
 'figure.facecolor': 'white',
 'grid.color': 'white',
 'grid.linestyle': '-',
 'text.color': '.15',
 'xtick.color': '.15',
 'ytick.color': '.15',
 'xtick.direction': 'out',
 'ytick.direction': 'out',
 'lines.solid_capstyle': <CapStyle.round: 'round'>,
 'patch.edgecolor': 'w',
 'patch.force_edgecolor': True,
 'image.cmap': 'rocket',
 'font.family': ['sans-serif'],
 'font.sans-serif': ['Arial',
  'DejaVu Sans',
  'Liberation Sans',
  'Bitstream Vera Sans',
  'sans-serif'],
 'xtick.bottom': False,
 'xtick.top': False,
 'ytick.left': False,
 'ytick.right': False,
 'axes.spines.left': True,
 'axes.spines.bottom': True,
 'axes.spines.right': True,
 'axes.spines.top': True}

2.3 设置字体与支持中文

sns.pointplot(x=[1,2,3],y=[4,5,6])
plt.xlabel('表格')
sns.set_style({"font.sans-serif":['simhei','Droid Sans Fallback']})
#sns.despine()

​
png

2.4 设置临时风格

sns.axes_style(style=None, rc=None)

def myplot():
    sns.lineplot(x=[1,2,3],y=[1,2,3])
#设置临时风格 
with sns.axes_style("whitegrid"):
    plt.subplot(211)
    myplot()
plt.subplot(212)
myplot()

​
png
​

2.5 设置调色板

sns.set_palette(palette, n_colors=None, desat=None, color_codes=False)

  • palette:‘deep’, ‘muted’, ‘pastel’, ‘bright’, ‘dark’, 'colorblind’或者hls, husl
  • n_colors：颜色数量
  • 作用：调色板，使用plot方法绘制时，颜色使用深度不一样
# 设置调色板
import numpy as np
sns.set_palette('dark')
x = y = np.array([1,2,3])
sns.lineplot(x=x,y=y)
sns.lineplot(x=x,y=y+1)

<AxesSubplot: >

​
png
​

# 设置hls， n_colors颜色种类
sns.set_palette('hls', n_colors=3)
lines = np.arange(0,40).reshape(20,2)
for line in lines:
    plt.plot(line)

​
png
​

2.6 set方法

sns.set(context='notebook',style='darkgrid',palette='deep',font='sans-serif',font_scale=1,color_codes=True,rc=None,)

上面方法的集合体

#设置默认值
sns.set()
x = y = np.array([1,2,3])
sns.lineplot(x=x,y=y)
sns.lineplot(x=x,y=y+1)

<AxesSubplot: >

​
png
​

3 调色板

颜色类别：

  • 分类：彼此间差异较大
  • 连续：颜色按照顺序渐变
  • 离散：中间颜色浅，两端颜色深

主要方法：

  • 获取颜色：sns.color_palette(palette=None, n_colors=None, desat=None)
  • 显示颜色：sns.palplot(pal, size=1)

3.1 分类色板（qualitative）

  1. 默认主题

    默认6中颜色：deep, muted, pastel, bright, dark, colorblind；

    当palette设置为以上几种颜色，n_colors设置值超过deep颜色种类是，使用重复颜色；

# 产生颜色
cls = sns.color_palette(palette='deep')
# 使用palplot绘制颜色
sns.palplot(cls)
# 颜色实质：RGB组成的元祖
cls

​
png
​

  1. hls色圈系统

    在一个色圈空间内使用均匀分布的颜色；

    主要方法：

    • 通用方法：cls = sns.color_palette(palette=‘hls’,)/cls = sns.color_palette(palette=‘husl’,)
    • 设置hls饱和度等：sns.hls_palette(n_colors=6, h=0.01, l=0.6, s=0.65)
cls = sns.color_palette(palette='hls', n_colors=20)
sns.palplot(cls)

​
png
​

cls = sns.color_palette(palette='husl', n_colors=20)
sns.palplot(cls)

​
png
​

cls =sns.hls_palette(n_colors=20, h=0.2, l=0.6, s=0.65)
sns.palplot(cls)

​
png
​

  1. 使用xkcd颜色来命名颜色
    • xkcd：色板，名称，RGB值
    • xkcd链接：https://xkcd.com/color/rgb/ (https://xkcd.com/color/rgb/)
    • 获取名称对应的RGB值:字典sns.xkcd_rgb
    • 通过xkcd获取颜色：sns.xkcd_palette(colors)
sns.palplot(sns.xkcd_palette(["purple", "violet", "greyish", "aqua", "green"]))

​
png
​

3.2 连续调色板

  1. Color Brewer

    color_palette(pallette=' ')中可以填充特定Color Brewer值，设定颜色。

    主要值有：

    Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r,
    Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r,
    PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu,
    PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r,
    RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r,
    Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r,
    YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary,
    binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cividis, cividis_r, cool, cool_r, coolwarm,
    coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r,
    gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r,
    gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r,
    gray, gray_r, hot, hot_r, hsv, hsv_r, icefire, icefire_r, inferno, inferno_r,jet, jet_r, magma, magma_r,
    mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r,
    prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spring, spring_r,
    summer, summer_r, tab10, tab10_r, tab20, tab20_r, tab20b, tab20b_r, tab20c, tab20c_r, terrain, terrain_r,
    twilight, twilight_r, twilight_shifted, twilight_shifted_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r

    使用Color Brewer颜色

    • 末尾加r可翻转色板
    • 末尾加d可变暗
# 产生颜色，通过设置n_colors产生一系列不重复的颜色
cls = sns.color_palette(palette='Blues', n_colors=50)
sns.palplot(cls)

​
png
​

# 末尾加r可翻转色板
cls = sns.color_palette(palette='Blues_r', n_colors=50)
sns.palplot(cls)

​
png
​

# 末尾加d可变暗
cls = sns.color_palette(palette='Blues_d', n_colors=50)
sns.palplot(cls)

​
png
​

  1. cubehelix_palette调色板

    sns.cubehelix_palette(n_colors=6,start=0,rot=0.4,gamma=1.0,hue=0.8,light=0.85,dark=0.15,reverse=False,as_cmap=False)

sns.palplot(sns.cubehelix_palette(10, start=.3, rot=-.5))

​
png
​

  1. 单一调色板

    • sns.light_palette(color,n_colors=6,reverse=False,as_cmap=False,input='rgb',)
    • sns.dark_palette(color,n_colors=6,reverse=False,as_cmap=False,input='rgb',)
sns.palplot(sns.light_palette('green',n_colors=20))

​
png
​

3.3 离散色板

Color Brewer色板

diverging_palette:sns.diverging_palette(h_neg,h_pos,s=75,l=50,sep=10,n=6,center='light',as_cmap=False)

主要参数：

  • s与l：明暗
  • n：控制数量
  • sep：中间色的宽度
  • center控制中间色
sns.palplot(sns.color_palette("BrBG", 10))

​
png
​

sns.palplot(sns.diverging_palette(200, 290, s=70, l=30, n=10, sep=20, center="dark"))

​
png
​

4 seaborn内置数据集

  • 获取数据集名称列表：sns.get_dataset_names()
  • 导入数据集:sns.load_dataset(name, cache=True, data_home=None, **kws)

4.1 数据集

seaborn中内置数据集是非常好的，做分析入门的数据集,常用的数据集；

数据集名称描述
flights1949年到1960年期间，每个月的航班乘客的数量
geyser间歇泉喷发的间隔时间
iris鸢尾花
tips小费
titanic泰坦尼克获救数据
  1. 获取数据集列表
sns.get_dataset_names()

['anagrams',
 'anscombe',
 'attention',
 'brain_networks',
 'car_crashes',
 'diamonds',
 'dots',
 'dowjones',
 'exercise',
 'flights',
 'fmri',
 'geyser',
 'glue',
 'healthexp',
 'iris',
 'mpg',
 'penguins',
 'planets',
 'seaice',
 'taxis',
 'tips',
 'titanic']
  1. 导入数据集
# 导入数据集
pdata = sns.load_dataset('tips')
pdata
total_billtipsexsmokerdaytimesize
016.991.01FemaleNoSunDinner2
110.341.66MaleNoSunDinner3
221.013.50MaleNoSunDinner3
323.683.31MaleNoSunDinner2
424.593.61FemaleNoSunDinner4
........................
23929.035.92MaleNoSatDinner3
24027.182.00FemaleYesSatDinner2
24122.672.00MaleYesSatDinner2
24217.821.75MaleNoSatDinner2
24318.783.00FemaleNoThurDinner2

244 rows × 7 columns

5 seaborn常用的图表

  • seabron支持图表格式比较丰富
  • 文档描述：https://seaborn.apachecn.org/ (https://seaborn.apachecn.org/)

seaborn图表相关方法使用方式与参数类似 常用图表类型如下

5.1 分类图表

  1. barplot方法

    sns.barplot(x=None,y=None,hue=None,data=None,order=None,hue_order=None,estimator=<function meanat 0x000001C71D259288>,ci=95,...)

    主要参数：

    参数说明
    x, yx轴数据或者 data 中的列名
    huedata 中的列名，用于分类
    data数据
    order绘制类别变量的顺序
    hue_order绘制 hue 变量的顺序
    estimator统计量方法，默认为 mean
    ci估计值周围的置信区间大小
    n_boot计算置信区间需要迭代的次数
    orient绘图的方向，v 表示垂直，h 表示水平
    color元素的颜色
    palette不同级别 hue 变量的颜色
    ax指定 axes
# 不同时间点消费均值：根据time进行分组，并计算total_bill的均值，使用sns可视化
pdata.groupby('time', observed=False)['total_bill'].mean().plot.bar()

<AxesSubplot: xlabel='time'>

​
png
​

# 使用sns.barplot方法
sns.barplot(x='time', y='total_bill', data=pdata)

<AxesSubplot: xlabel='time', ylabel='total_bill'>

​
png
​

# 不同时间点，不同性别消费均值：使用barplot中的hue参数
sns.barplot(x='time', y='total_bill', data=pdata, hue = 'sex')

<AxesSubplot: xlabel='time', ylabel='total_bill'>

​
png
​

#设置颜色
sns.barplot(x='time', y='total_bill', data=pdata, hue = 'sex', palette='seismic')

<AxesSubplot: xlabel='time', ylabel='total_bill'>

​
png
​

  1. 箱状图
    • 展现与类别相关的数据分布状况
    • 使用四分位数表示数据分布情况，可以标识异常数据
    • 箱状图方法：sns.boxplot(x=None, y=None,hue=None,data=None)
    • 主要参数：
      参数说明
      fliersize表示异常值观察的标记的大小
      whis超过高低四分位数时 IQR 的比例
# 箱状图:不同日期消费区别
pdata = sns.load_dataset('tips')
sns.set(style='darkgrid',palette='hls' )
sns.boxplot(x='day', y='total_bill', data=pdata, orient='v')

<AxesSubplot: xlabel='day', ylabel='total_bill'>

​
png
​

# 不同性别消费情况
sns.boxplot(x='sex', y='total_bill', data=pdata, orient='v')

<AxesSubplot: xlabel='sex', ylabel='total_bill'>

​
png
​

# 不同性别，不同饭点消费情况
sns.boxplot(x='sex', y='total_bill',hue='time', data=pdata, orient='v')

<AxesSubplot: xlabel='sex', ylabel='total_bill'>

​
png
​

# 指定不同whis，控制异常区间（默认大于上四分位数1.5或者小于下四分位数的1.5）
sns.boxplot(x='sex', y='total_bill',hue='time', data=pdata, orient='v',whis=1.5)

<AxesSubplot: xlabel='sex', ylabel='total_bill'>

​
png
​

  1. 分类散点图

    主要方法：

    • 点可以重复：sns.swarmplot(x=None,y=None,hue=None,data=None,...)
    • 点不能重复：sns.stripplot(x=None,y=None,hue=None,data=None,...)
# 分类散点图
sns.set_palette(sns.color_palette('husl'))
plt.figure(figsize=(16, 4))
ax1 = plt.subplot(1,2,1)
sns.swarmplot(x='sex', y='total_bill',hue='time', data=pdata, ax=ax1, dodge=True)
ax2 = plt.subplot(1,2,2)
sns.stripplot(x='sex', y='total_bill',hue='time', data=pdata, ax=ax2,dodge=True)

<AxesSubplot: xlabel='sex', ylabel='total_bill'>

​
png
​

箱状图与分类散点图结合,获取数据分布更加详细信息

sns.set_palette(sns.color_palette('husl'))
sns.swarmplot(x='sex', y='total_bill',hue='time', data=pdata,dodge=True)
sns.set_palette('dark')
sns.boxplot(x='sex', y='total_bill',hue='time', data=pdata)

<AxesSubplot: xlabel='sex', ylabel='total_bill'>

​
png
​

  1. 数量统计

    数量统计：sns.countplot(x=None,y=None,hue=None,data=None,...)

#不同性别数量
_ = sns.countplot(x='sex', data=pdata)

​
png
​

#不同性别，不同饭点数量
_ = sns.countplot(x='sex', hue='time', data=pdata)

​
png
​

5.2 分布图

  1. 直方图
    • sns.distplot(a,bins=None,hist=True,kde=True, rug=False,fit=None,...)(该方法已被弃用)
    • sns.histplot(data,x=None,y=None,hue=None,kde=None,...)
# 使用直方图查看用户消费额度分布
sns.histplot(pdata['total_bill'], color='g', kde=True)

<AxesSubplot: xlabel='total_bill', ylabel='Count'>

​
png
​

# 设置不同颜色
sns.distplot(pdata['total_bill'],color='g',rug=True, rug_kws={'color':'r'}, kde_kws={'color':'b'})


 UserWarning: 

`distplot` is a deprecated function and will be removed in seaborn v0.14.0.

Please adapt your code to use either `displot` (a figure-level function with
similar flexibility) or `histplot` (an axes-level function for histograms).

For a guide to updating your code to use the new functions, please see
https://gist.github.com/mwaskom/de44147ed2974457ad6372750bbe5751

  sns.distplot(pdata['total_bill'],color='g',rug=True, rug_kws={'color':'r'}, kde_kws={'color':'b'})





<AxesSubplot: xlabel='total_bill', ylabel='Density'>

​
png
​

# 设置bins
sns.histplot(pdata['total_bill'],bins=10, color='g', kde=True)

<AxesSubplot: xlabel='total_bill', ylabel='Count'>

​
png
​

  1. KDE图

    • 拟合并绘制单变量或双变量核密度估计图
    • sns.kdeplot(data,data2=None,shade=False,vertical=False,kernel='gau',...)
    • 主要参数：
      方法说明
      data, data2一维数据
      shade是否显示阴影
      vertical方向，True 表示垂直，False 表示水平
      kernel核函数，可选值包括 ‘gau’, ‘cos’, ‘biw’, ‘epa’, ‘tri’, ‘triw’
      bwKDE 的带宽（bandwidth），可选值包括 ‘scott’, ‘silverman’, scalar, pair of scalars
sns.kdeplot(pdata.total_bill, color='r')

<AxesSubplot: xlabel='total_bill', ylabel='Density'>

​
png
​

# 双变量核密度：消费与小费
sns.kdeplot(data=pdata, x="total_bill", y="tip", cmap='Accent')

<AxesSubplot: xlabel='total_bill', ylabel='tip'>

​
png
​

5.3 关系图

需求：得到一组数据后，查看数据关系：线性关系，类别关系或者其他关系，如何处理？

5.3.1 散点图

sns.scatterplot(x=None,y=None,hue=None,style=None,size=None,data=None,palette=None)

#导入数据：
iris = sns.load_dataset('iris')

#花萼长宽
sns.scatterplot(x='sepal_length', y = 'sepal_width', hue='species', data=iris)

<AxesSubplot: xlabel='sepal_length', ylabel='sepal_width'>

​
png
​

#花瓣长宽
sns.scatterplot(x='petal_length', y = 'petal_width', hue='species', data=iris)

<AxesSubplot: xlabel='petal_length', ylabel='petal_width'>

​
png
​

5.3.2 线性回归图
  • 拟合数据集回归模型的绘图方法
  • lmplot：sns.lmplot(x,y,data,hue=None,col=None,row=None,…)
import statsmodels
sns.lmplot(x='petal_length', y = 'petal_width', hue='species', data=iris,truncate=False)

<seaborn.axisgrid.FacetGrid at 0x1c6eeac02d0>

​
png
​

5.4 其他常用图表

5.4.1 catplot
  • 将分类图绘制到 FacetGrid 上图级别接口
  • 在不同的图表中对数据进行展示,支持多种展示方式
  • seaborn.catplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None,...)
  • 返回：FacetGrid
import seaborn as sns

# 使用Seaborn自带的示例数据集"tips"
g = sns.catplot(x="sex", y="total_bill", hue="smoker", data=sns.load_dataset("tips"), kind="box")

​
png
​

#定col:
sns.catplot(x="sex", y="total_bill", hue="smoker",data=sns.load_dataset("tips"), kind="box", col = 'time')

<seaborn.axisgrid.FacetGrid at 0x1c6eaa6dad0>

​
png
​

#定row:
sns.catplot(x="sex", y="total_bill", hue="smoker",data=sns.load_dataset("tips"), kind="box", row = 'time')

<seaborn.axisgrid.FacetGrid at 0x1c6efdd1c50>

​
png
​

#指定row与col
sns.catplot(x="sex", y="total_bill", data=sns.load_dataset("tips"), kind="box", row = 'time', col='day')

<seaborn.axisgrid.FacetGrid at 0x1c6ebc59390>

​
png
​

5.4.2 relplot

功能与catplot类似，用与显示两个变量的关系

sns.relplot(x="total_bill", y="tip", data=sns.load_dataset("tips"), kind="line",col='day')

<seaborn.axisgrid.FacetGrid at 0x1c6f09a1710>

​
png
​

5.4.3 FacetGrid
  • 根据设置条件生成多个图表，效果与catplot，relplot类似
  • g = sns.FacetGrid(data, row=None, col=None, hue=None, col_wrap=None,...)
  • g.map(func, *args, **kwargs)：绘制图表制图表
tips=sns.load_dataset("tips")
g = sns.FacetGrid(tips, row='sex', col='day')
g.map(plt.hist, 'total_bill')

<seaborn.axisgrid.FacetGrid at 0x1c6f168ac50>

​
png
​

5.4.4 PairGrid
  • 数据集中成对关系的子图
  • 将数据集中每个变量映射到多个子图中，两两交叉
  • g = sns.PairGrid(data,hue=None,hue_order=None,palette=None,hue_kws=None,vars=None,...)
  • g.map_diag(func, **kwargs)：绘制对角线图表
  • g.map_offdiag(func, **kwargs)：绘制非对角线图表线图表
iris = sns.load_dataset("iris")
g = sns.PairGrid(iris)
g = g.map(plt.scatter)

png

#设置对角线与其他方式
g = sns.PairGrid(iris, hue="species")
g = g.map_diag(plt.hist)
g = g.map_offdiag(plt.scatter)
g = g.add_legend()

​
png
​

5.4.5 JointGrid
  • 绘制双变量与边际单变量图表
  • g = sns.JointGrid(x, y, data=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None,size=None)
  • g.plot(joint_func, marginal_func, annot_func=None) #绘制联合图表与边缘图表
  • g.plot_joint(func, **kwargs) #绘制联合图表
  • g.plot_marginals(func, **kwargs) #绘制边缘图表绘制边缘图表
g = sns.JointGrid(x="total_bill", y="tip", data=tips)
#绘制回归图与直方图
g.plot(sns.regplot, sns.histplot)

<seaborn.axisgrid.JointGrid at 0x201dcd910d0>

​
png
​

5.4.6 joinplot
  • 绘制变量的双变量及单变量图
  • g = sns.jointplot(x, y, data=None,kind='scatter',stat_func=None,color=None,...)
tips = sns.load_dataset("tips")
g = sns.jointplot(x="total_bill", y="tip", data=tips)

​
png
​

g = sns.jointplot(x="total_bill", y="tip", data=tips, kind="reg")

​
png
​

sns.jointplot(x="total_bill", y="tip", data=tips, kind="hex")

<seaborn.axisgrid.JointGrid at 0x1c6efd7a6d0>

​
png
​

iris = sns.load_dataset("iris")
g = sns.jointplot(x="sepal_width", y="petal_length", data=iris,kind="kde", space=0, color="g")

​
png
​

g = sns.jointplot(x="sepal_length", y="sepal_width", data=iris, color="k")
g.plot_joint(sns.kdeplot, zorder=0, n_levels=6)

<seaborn.axisgrid.JointGrid at 0x1c6efd79f50>

​
png
​

python指南之Seaborn大全技巧
步入烟尘的博客
08-03 4132
在掌握了Seaborn的基础和高级可视化技术之后，我们还可以进一步提升图形的美观性和信息表达能力。这部分将介绍如何自定义Seaborn的绘图风格，以及一些高级的可视化技巧，帮助你打造专业级的数据可视化图表。Seaborn提供了多种内置的主题和调色板，可以帮助你快速调整图表的外观。如果你想要更深入地控制图形的样式，可以使用set_themeset_style等函数。# 设置自定义主题和调色板# 创建一个示例图表plt.show()在这个例子中，我们选择了darkgrid风格和pastel。
Python可视化Seaborn库绘图（参数说明+代码实战）
步入烟尘的博客
04-20 1438
Seaborn 允许用户使用自定义调色板，通过函数可以指定颜色的顺序。本文详细介绍了 Seaborn 库中一系列常用的绘图功能，包括散点图、直方图、线性关系图、热力图、分布图、箱线图、联合分布图、小提琴图、成对关系图以及自定义调色板。通过深入了解每个函数的参数及实战案例，读者应该能够更自如地使用 Seaborn 进行数据可视化。Seaborn 提供了直观易用的高级接口，使得绘图变得更加简便，同时保持了高度的定制性。无论是初学者还是有一定经验的数据科学家，都可以在 Seaborn 中找到适合自己需求的工具。
详解Seaborn，看这一篇就够了
热门推荐
正在挣扎中的人
06-08 3万+
学习Seaborn，看这一篇博文就够了！！！
Seaborn 基本使用
mengxianglong123的博客
05-20 9041
文章目录一、 Seaborn----绘制统计图形1. 可视化数据的分布2. 绘制单变量分布3. 绘制双变量分布3.1 绘制散点图3.2 绘制二维直方图3.3 绘制核密度估计图形4. 绘制成对的双变量分布5. 小结二、用分类数据绘图1 .类别散点图2. 类别内的数据分布2.1 绘制箱形图2.2 绘制提琴图3 类别内的统计估计3.1 绘制条形图3.2 绘制点图4. 小结 一、 Seaborn----绘制统计图形 Matplotlib虽然已经是比较优秀的绘图库了，但是它有个今人头疼的问题，那就是API使用过于复杂
Python----数据可视化（Seaborn合集：介绍，应用，绘图，使用FacetGrid绘图）
最新发布
weixin_64110589的博客
03-11 1356
Seaborn是一个基于Matplotlib的高级数据可视化库，旨在简化复杂数据的绘图过程并提高图形的美观性。它提供了直观的接口，用于绘制各种统计图形，如散点图、箱线图和热力图等，适用于数据分析和探索。Seaborn的FacetGrid功能允许用户在多维数据的基础上创建小多图，通过将数据分组并分别绘制在不同的子图上，使得对比和模式识别更加容易。这些特性使得Seaborn成为数据科学家和分析师进行数据可视化的重要工具。
Python—数据可视化Seaborn大全：参数详解与实战案例全解析
一键难忘的博客
02-03 6318
Seaborn 是一个基于 Matplotlib 的数据可视化库，它提供了一些高层次的接口，使得绘图变得更加简单和美观。本文将深入探讨 Seaborn 库的常用绘图功能，包括详细的参数说明和实战案例，帮助读者更好地理解和运用 Seaborn 进行数据可视化。
python数据科学系列：seaborn入门详细教程
wy122222222的博客
07-01 4878
01 初始seaborn seaborn是python中的一个可视化库，是对matplotlib进行二次封装而成，既然是基于matplotlib，所以seaborn的很多图表接口和参数设置与其很是接近。相比matplotlib而言，个人认为seaborn的几个鲜明特点如下： 绘图接口更为集成，可通过少量参数设置实现大量封装绘图 多数图表具有统计学含义，例如分布、关系、统计、回归等 对Pandas和Numpy数据类型支持非常友好 风格设置更为多样，例如风格、绘图环境和颜色配置等 正是由于seaborn的这些特
Python Seaborn教程
从零开始的教程世界
07-15 1644
Python Seaborn教程 (Python Seaborn Tutorial) Seaborn is a library for making statistical infographics in Python. It is built on top of matplotlib and also supports numpy and pandas data structures. It ...
python seaborn 散点图矩阵_Python数据可视化库seaborn的使用总结
weixin_39604685的博客
11-23 457
seaborn是python中的一个非常强大的数据可视化库，它集成了matplotlib，下图为seaborn的官网，如果遇到疑惑的地方可以到官网查看。http://seaborn.pydata.org/从官网的主页我们就可以看出，seaborn在数据可视化上真的非常强大。1.首先我们还是需要先引入库，不过这次要用到的python库比较多。import numpy as npimport pand...
Python之Seaborn
weixin_43849243的博客
11-18 427
Matplotlib是Python的一个2D绘图库，为了优化Matplotlib图图表的外观，Seaborn模块自带许多定制主题和高级接口。支持pandas和numpy的数据结构，以及来自Scipy和StatsModels的统计结果。Seaborn是Matplotlib的补充，而不是替代品。主要功能： （1）通过内置主题改善matplotlib的外观 （2）有了丰富的调色板，更好地显示数据 （3）...
python可视化之seaborn
GhostLWB的博客
08-11 1万+
数据可视化的文章我很久之前就打算写了，因为最近用Python做项目比较多，于是就花时间读了seaborn的文档，写下了这篇。 数据可视化在数据挖掘中是一个很重要的部分，将数据用图表形式展示可以很直观地看到数据集的特点（比如正态分布，长尾分布，聚集等），方便下一步怎么对数据进行处理。 这里我用的是Python来进行可视化，因为Python的框架相对较多而且使用的也较广泛。我们在这里用的是seab...
Python Seaborn库使用指南：从入门到精通
m0_73581472的博客
02-24 1123
本文详细介绍了 Seaborn 的基本概念、常用功能以及高级用法。通过学习本文，你应该能够熟练使用 Seaborn 进行数据可视化。如果你希望进一步提升数据可视化能力，可以探索 Matplotlib、Plotly 等其他可视化库。📊。
Python Seaborn综合指南，成为数据可视化专家
TensorFlowNews
11-01 1007
概述 Seaborn是Python流行的数据可视化库 Seaborn结合了美学和技术,这是数据科学项目中的两个关键要素 了解其Seaborn作原理以及使用它生成的不同的图表 介绍 一个精心设计的可视化程序有一些特别之处。颜色突出，层次很好地融合在一起，整个轮廓流动，整个程序不仅有一个很好的美学质量，它也为我们提供了有意义的技术洞察力。 这在数据科学中非常重要，因为我们经常处理大量杂乱的数据...
Python数据可视化教程：matplotlib、ggplot、seaborn使用指南
资源摘要信息:"DataVizProject是一套使用Python编程语言进行数据可视化的教程项目，该项目通过使用流行的Python绘图库matplotlib、ggplot、seaborn以及Bokeh，为学习者提供了一系列的源代码示例，用以展示如何高效地...
Python 进阶：Seaborn 绘图
AbigailQin 的博客
07-22 2533
Python 进阶：使用 seaborn 绘图
机器学习python库--seaborn
weixin_41395763的博客
02-15 1万+
seaborn简介 seaborn是基于matplotlib的数据可视化库。它在matplotlib的基础上，进行了更高级的封装，从而使得绘图更加容易，不需要经过大量的调整，就能使图像变得精致。 seaborn的几个鲜明特点如下： >绘图接口更加集成，可以通过少量的参数设置实现大量封装绘图。 >多数图表具有统计学含义，例如分布、关系、统计、回归等 >对pandas和numpy数据类型支持非常友好 >导入seaborn seaborn的依赖库为numpy、pandas、m
Python数据分析：seaborn
weixin_33974433的博客
01-14 785
seaborn是python中的一个非常强大的数据可视化库，它集成了matplotlib，下图为seaborn的官网，如果遇到疑惑的地方可以到官网查看。http://seaborn.pydata.org/ 从官网的主页我们就可以看出，seaborn在数据可视化上真的非常强大。 1.首先我们还是需要先引入库，不过这次要用到的python库比...
【Python-AI篇】seaborn
qxj2422640226的博客
11-01 1501
两个变量的二元分布可视化。使用joinplot函数，可以创建一个多面板图形，比如散点图、二维直方图、核密度估计等，以显示两个变量之间的双变量关系及每个变量在单坐标轴上的单变量分布# 语法格式表示绘制图形的类型用于计算有关关系的统计量并标注图表示绘图元素的颜色用于设置图的大小（正方形）表示中心图与侧边图的比例，该参数的值越大，则中心图占比越大用于设置中心图与侧边图的间隔大小# 创建DataFrame对象# 绘制散布图plt.show()# 创建DataFrame对象# 绘制二维直方图。
Python和数据分析：Seaborn新手指南
2301_80239908的博客
01-03 2535
Seaborn是建立在Matplotlib之上的统计数据可视化库，它提供了高级接口和漂亮的默认样式，使得数据可视化变得更加简单和美观。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

住在天上的云

如果您喜欢我的文章，欢迎打赏哦

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值