seaborn可视化

seaborn分为一下两种绘制函数

• 轴绘制函数 ( axes-level functions )，这一类函数把数据绘制到一个 matplotlib 的对象 matplotlib.pyplot.Axes ；
• 图绘制函数 ( figure-level functions )，这一类函数是通过一个 seaborn 对象（通常是 FacetGrid ）与 matplotlib 交互。

图绘制函数相当于对轴绘制函数做了一层封装，方便用户调用。在图绘制函数可以设置不同的kind关键字便可以调用对应的轴绘制函数。一般来讲图绘制函数就足够了。而若是需要用到更为复杂和精确的操作，那么就可以用轴绘制函数。它相当于对matplotlib的一个即插即用的补充工具。

sns加载数据load_dataset()报错问题

1. 变量分布图函数displot

用sns.boxplot()：查看数值变量的取值范围，是否有异常值。

sns.boxplot(data=penguin_df,x="bill_length_mm")

利用boxplot可以画出其盒须图，包括

• 理论最小值($min$) 数据中小于理论最小值为异常值。
• 下四分位数($Q_1$) 25%的数据小于该值
• 中位数($median$)
• 上四分位数($Q_3$) 75%的数据小于该值
• 理论最大值($max$)。数据中大于理论最大值为异常值。
  $$\begin{gathered} IQR=Q_3-Q_1 \\ min=Q1-1.5\ast IQR \\ max=Q3+1.5\ast IQR \end{gathered}$$

---

sns.displot():查看变量的分布情况

## 默认为直方图
seaborn.displot(data=None, *, x=None, y=None, hue=None, 
row=None, col=None, weights=None, kind='hist', rug=False, 
rug_kws=None, log_scale=None, legend=True, palette=None, 
hue_order=None, hue_norm=None, color=None, col_wrap=None, 
row_order=None, col_order=None, height=5, aspect=1, 
facet_kws=None, **kwargs)

displot默认为直方图，可以通过kind关键字设置为其他图

• kind = "hist” 默认，类似于histplot()，绘制直方图
• kind=“kde” 类似于kdeplot() 绘制核密度估计图
• kind=“ecdf” 类似于ecdfplot() 绘制累积分布函数图
• kid关键字只能绘制前三种图，而绘制边缘分布图，则需要则需要指定rug = True，类似于rugplot()

在displot中，可以同时绘制直方图，核密度估计图。更直观地显示数据分布。

sns.displot(x="bill_length_mm",data=penguin_df,kde=True)

通过设置hue关键字，指定类别变量，显示不同种类分布

sns.displot(x="bill_length_mm",data=penguin_df,kind="kde",
hue="species")

设置log_scale=True，对skewed data偏斜数据取对数，使之分布更为均匀。

sns.displot(data=dia_df,x="price")
sns.displot(data=dia_df,x="price",log_scale=True)

设置row和col分类展示不同子图

sns.displot(data=penguin_df,x="bill_length_mm",row="sex",
col="island",hue="species",kind="kde")

关系分析

sns.relplot():绘制数值变量关系图

seaborn.relplot(*, x=None, y=None, hue=None, size=None, 
style=None, data=None, row=None, col=None, col_wrap=None, 
row_order=None, col_order=None, palette=None, hue_order=None, 
hue_norm=None, sizes=None, size_order=None, size_norm=None, 
markers=None, dashes=None, style_order=None, legend='auto', 
kind='scatter', height=5, aspect=1, facet_kws=None, units=None, 
**kwargs)

绘制data数据中x和y两个列之间的分布关系
displot默认为散点图，可以通过kind关键字设置为其他图

• kind="scatter"绘制散点图，调用scatterplot()
• kind="line"绘制曲线图，调用lineplot()，比较适合时序图如股票
• markers可以指定点的形状
• style设置为不同类别设置不同形状

---

sns.lmplot()：分析两个数值变量的线性关系

seaborn.lmplot(*, x=None, y=None, data=None, hue=None, col=None, 
row=None, palette=None, col_wrap=None, height=5, aspect=1, 
markers='o', sharex=None, sharey=None, hue_order=None, 
col_order=None, row_order=None, legend=True, legend_out=None, 
x_estimator=None, x_bins=None, x_ci='ci', scatter=True, 
fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, 
logistic=False, lowess=False, robust=False, logx=False, 
x_partial=None, y_partial=None, truncate=True, x_jitter=None,
 y_jitter=None, scatter_kws=None, line_kws=None, facet_kws=None, 
 size=None)

---

sns.displot()：绘制两个变量的联合分布

sns.displot(data=penguin_df,x="bill_length_mm",
y="bill_depth_mm",kind="kde",rug=True)

sns.jointplot()：绘制两个变量的联合分布和各自分布

参考文献

jupyter教程
seaborn官网