Seaborn总结

Seaborn总结（高级绘图）

一 模块导入

import seaborn as sns

二 绘制单变量曲线

包括直方图，高斯核密度曲线和rugplot数据分布情况

seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, color=None)

(1) a：数据，一般是 Series

(2) bins：直方图的条数。

(3) hist：是否绘制直方图。

(4) kde：是否绘制高斯核密度估计曲线。

(5) rug：是否在支持的轴方向上绘制rugplot，表示数据的分布密集情况

figure = sns.distplot(data, bins=8, hist=True, kde=True, rug=True) 

三 绘制双变量曲线

sns.jointplot(x, y, data=None, kind=‘scatter’, stat_func=None, color=None, ratio=5, space=0.2, dropna=True)

(1) kind：绘制图形的类型
scatter：散点图
hex：二维直方图
kde：核密度估计图

(2) stat_func：两组数据的相关关系，一般为皮尔逊系数

(3) color：绘图元素的颜色

(4) size：图的大小(正方形)

(5) ratio：中心图与侧边图的比例。该参数的值越大，则中心图的占比会越大

(6) space：中心图与侧边图的间隔大小

sns.pairplot(data)

绘制成对的双变量分布

四 绘制分类数据

4.1 类别散点图

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

(1) hue：目标值或标签值

(2) jitter：表示抖动的程度。True表示数据不重叠，False数据重叠，默认False

sns.swarmplot(x, y, data)

所有数据点都不会重叠

4.2 类别数据分布

（1）箱型图

seaborn.boxplot(x=None, y=None, hue=None, data=None, orient=None, color=None, saturation=0.75, width=0.8)

(1) palette：颜色，palette=[“r”,“g”]

(2) saturation：颜色饱和度，使用小数表示

（2）小提琴图

seaborn.violinplot(x=None, y=None, hue=None, data=None)

4.2 类别内统计估计

sns.barplot(x, y, data=)

绘制条形图，误差条表示置信区间

sns.pointplot(x, y, data)

绘制点图

补充：

1. 请简述直方图与条形图的区别。
   （1）条形图是用条形的长度表示各类别频数的多少，其宽度（表示类别）则是固定的。直方图是用面积表示各组频数的多少，矩形的高度表示每一组的频数或频率，宽度则表示各组的组距，因此其高度与宽度均有意义。
   （2）由于分组数据具有连续性，所以直方图的各矩形通常是连续排列的，而条形图则是分开排列的。
   （3）条形图主要用于展示分类数据，而直方图则主要用于展示数据型数据。
2. 导入seaborn的数据集报错URLError
   
   解决方法：
   https://blog.csdn.net/ZBR07/article/details/106557855/
3. 用searbon查看每个类别的数量分布

sns.countplot(data.target)
plt.show()