欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python數(shù)據(jù)可視化之Seaborn的使用詳解

 更新時間：2022年04月18日 17:06:03   作者：侯小啾  
Seaborn庫是python中基于matplotlib庫的可視化工具庫，通過sns我們可以更方便地繪制出更美觀的圖表。本文將分享python基于Seaborn庫的一系列繪圖操作，感興趣的可以了解一下

1. 安裝 seaborn

安裝：

pip install seaborn

導入：

import seaborn as sns

2.準備數(shù)據(jù)

正式開始之前我們先用如下代碼準備一組數(shù)據(jù)，方便展示使用。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
pd.set_option('display.unicode.east_asian_width', True)

df1 = pd.DataFrame(
    {'數(shù)據(jù)序號': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
     '廠商編號': ['001', '001', '001', '002', '002', '002', '003', '003', '003', '004', '004', '004'],
     '產(chǎn)品類型': ['AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC'],
     'A屬性值': [40, 70, 60, 75, 90, 82, 73, 99, 125, 105, 137, 120],
     'B屬性值': [24, 36, 52, 32, 49, 68, 77, 90, 74, 88, 98, 99],
     'C屬性值': [30, 36, 55, 46, 68, 77, 72, 89, 99, 90, 115, 101]
    }
)
print(df1)

生成一組數(shù)據(jù)如下：

3.背景與邊框

3.1 設置背景風格

設置風格使用的是sns.set_style()方法，且這里內(nèi)置的風格，是用背景色表示名字的，但是實際內(nèi)容不限于背景色。

sns.set_style()

可以選擇的背景風格有：

  • whitegrid  白色網(wǎng)格
  • dark  灰色背景
  • white  白色背景
  • ticks  四周帶刻度線的白色背景

sns.set()
sns.set_style(“darkgrid”)
sns.set_style(“whitegrid”)
sns.set_style(“dark”)
sns.set_style(“white”)
sns.set_style(“ticks”) 

其中sns.set()表示使用自定義樣式，如果沒有傳入?yún)?shù)，則默認表示灰色網(wǎng)格背景風格。如果沒有set()也沒有set_style()，則為白色背景。

一個可能的bug：使用relplot()方法繪制出的圖像，"ticks"樣式無效。

3.2 其他

seaborn庫是基于matplotlib庫而封裝的，其封裝好的風格可以更加方便我們的繪圖工作。而matplotlib庫常用的語句，在使用seaborn庫時也依然有效。

關于設置其他風格相關的屬性，如字體，這里有一個細節(jié)需要注意的是，這些代碼必須寫在sns.set_style()的后方才有效。如將字體設置為黑體（避免中文亂碼）的代碼： 

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

如果在其后方設置風格，則設置好的字體會設置的風格覆蓋，從而產(chǎn)生警告。其他屬性也同理。

3.3 邊框控制

sns.despine()方法

# 移除頂部和右部邊框，只保留左邊框和下邊框
sns.despine()

# 使兩個坐標軸相隔一段距離（以10長度為例）
sns.despine(offet=10,trim=True)

# 移除左邊框
sns.despine(left=True)

# 移除指定邊框 （以只保留底部邊框為例）
sns.despine(fig=None, ax=None, top=True, right=True, left=True, bottom=False, offset=None, trim=False)

4. 繪制 散點圖

使用seaborn庫 繪制散點圖，可以使用replot()方法，也可以使用scatter()方法。

replot方法的參數(shù)kind默認是’scatter’，表示繪制散點圖。

hue參數(shù)表示 在該一維度上，用顏色區(qū)分

①對A屬性值和數(shù)據(jù)序號繪制散點圖，紅色散點，灰色網(wǎng)格，保留左、下邊框

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘SimHei']
sns.relplot(x=‘數(shù)據(jù)序號', y=‘A屬性值', data=df1, color=‘red')
plt.show()

②對A屬性值和數(shù)據(jù)序號繪制散點圖，散點根據(jù)產(chǎn)品類型的不同顯示不同的顏色，

白色網(wǎng)格，左、下邊框：

sns.set_style(‘whitegrid')
plt.rcParams[‘font.sans-serif'] = [‘SimHei']
sns.relplot(x=‘數(shù)據(jù)序號', y=‘A屬性值', hue=‘產(chǎn)品類型', data=df1)
plt.show()

③將A屬性、B屬性、C屬性三個字段的值用不同的樣式繪制在同一張圖上（繪制散點圖），x軸數(shù)據(jù)是[0,2,4,6,8…]

ticks風格（四個方向的框線都要），字體使用楷體

sns.set_style(‘ticks')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
df2 = df1.copy()
df2.index = list(range(0, len(df2)*2, 2))
dfs = [df2[‘A屬性值'], df2[‘B屬性值'], df2[‘C屬性值']]
sns.scatterplot(data=dfs)
plt.show()

5. 繪制 折線圖

使用seaborn庫繪制折線圖， 可以使用replot()方法，也可以使用lineplot()方法。

5.1 使用 replot()方法

sns.replot()默認繪制的是散點圖，繪制折線圖只需吧參數(shù)kind改為"line"。

①需求：繪制A屬性值與數(shù)據(jù)序號的折線圖，

灰色網(wǎng)格，全局字體為楷體；并調(diào)整標題、兩軸標簽 的字體大小，

以及坐標系與畫布邊緣的距離（設置該距離是因為字體沒有顯示完全）：

sns.set(rc={‘font.sans-serif': “STKAITI”})
sns.relplot(x=‘數(shù)據(jù)序號', y=‘A屬性值', data=df1, color=‘purple', kind=‘line')
plt.title(“繪制折線圖”, fontsize=18)
plt.xlabel(‘num', fontsize=18)
plt.ylabel(‘A屬性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

②需求：繪制不同產(chǎn)品類型的A屬性折線（三條線一張圖），whitegrid風格，字體楷體。

sns.set_style(“whitegrid”)
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.relplot(x=‘數(shù)據(jù)序號', y=‘A屬性值', hue=‘產(chǎn)品類型', data=df1, kind=‘line')
plt.title(“繪制折線圖”, fontsize=18)
plt.xlabel(‘num', fontsize=18)
plt.ylabel(‘A屬性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

③需求：將A屬性、B屬性、C屬性三個字段的值用不同的樣式繪制在同一張圖上（繪制折線圖），x軸數(shù)據(jù)是[0,2,4,6,8…]

darkgrid風格（四個方向的框線都要），字體使用楷體，并加入x軸標簽，y軸標簽和標題。邊緣距離合適。

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
df2 = df1.copy()
df2.index = list(range(0, len(df2)*2, 2))
dfs = [df2[‘A屬性值'], df2[‘B屬性值'], df2[‘C屬性值']]
sns.relplot(data=dfs, kind=“l(fā)ine”)
plt.title(“繪制折線圖”, fontsize=18)
plt.xlabel(‘num', fontsize=18)
plt.ylabel(‘A屬性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

③多重子圖

橫向多重子圖 col

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.relplot(data=df1, x=“A屬性值”, y=“B屬性值”, kind=“l(fā)ine”, col=“廠商編號”)
plt.subplots_adjust(left=0.05, right=0.95, bottom=0.1, top=0.9)
plt.show()

縱向多重子圖 row

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.relplot(data=df1, x=“A屬性值”, y=“B屬性值”, kind=“l(fā)ine”, row=“廠商編號”)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.95)
plt.show()

5.2 使用 lineplot()方法

使用lineplot()方法繪制折線圖，其他細節(jié)基本同上，示例代碼如下：

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.lineplot(x=‘數(shù)據(jù)序號', y=‘A屬性值', data=df1, color=‘purple')
plt.title(“繪制折線圖”, fontsize=18)
plt.xlabel(‘num', fontsize=18)
plt.ylabel(‘A屬性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
df2 = df1.copy()
df2.index = list(range(0, len(df2)*2, 2))
dfs = [df2[‘A屬性值'], df2[‘B屬性值'], df2[‘C屬性值']]
sns.lineplot(data=dfs)
plt.title(“繪制折線圖”, fontsize=18)
plt.xlabel(‘num', fontsize=18)
plt.ylabel(‘A屬性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

6. 繪制直方圖 displot()

繪制直方圖使用的是sns.displot()方法

  • bins=6 表示 分成六個區(qū)間繪圖
  • rug=True 表示在x軸上顯示觀測的小細條
  • kde=True表示顯示核密度曲線
sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.displot(data=df1[[‘C屬性值']], bins=6, rug=True, kde=True)
plt.title(“直方圖”, fontsize=18)
plt.xlabel(‘C屬性值', fontsize=18)
plt.ylabel(‘數(shù)量', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

隨機生成300個正態(tài)分布數(shù)據(jù)，并繪制直方圖，顯示核密度曲線

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
np.random.seed(13)
Y = np.random.randn(300)
sns.displot(Y, bins=9, rug=True, kde=True)
plt.title(“直方圖”, fontsize=18)
plt.xlabel(‘C屬性值', fontsize=18)
plt.ylabel(‘數(shù)量', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

7. 繪制條形圖 barplot()

繪制條形圖使用的是barplot()方法

以產(chǎn)品類型 字段數(shù)據(jù)作為x軸數(shù)據(jù)，A屬性值數(shù)據(jù)作為y軸數(shù)據(jù)。按照廠商編號字段的不同進行分類。

具體如下：

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.barplot(x=“產(chǎn)品類型”, y=‘A屬性值', hue=“廠商編號”, data=df1)
plt.title(“條形圖”, fontsize=18)
plt.xlabel(‘產(chǎn)品類型', fontsize=18)
plt.ylabel(‘數(shù)量', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)
plt.show()

8. 繪制線性回歸模型

繪制線性回歸模型使用的是lmplot()方法。

主要的參數(shù)為x, y, data。分別表示x軸數(shù)據(jù)、y軸數(shù)據(jù)和數(shù)據(jù)集數(shù)據(jù)。

除此之外，同上述所講，還可以通過hue指定分類的變量；

通過col指定列分類變量，以繪制 橫向多重子圖；

通過row指定行分類變量，以繪制 縱向多重子圖；

通過col_wrap控制每行子圖的數(shù)量；

通過size可以控制子圖的高度；

通過markers可以控制點的形狀。

下邊對 X屬性值 和 Y屬性值 做線性回歸，代碼如下：

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.lmplot(x=“A屬性值”, y=‘B屬性值', data=df1)
plt.title(“線性回歸模型”, fontsize=18)
plt.xlabel(‘A屬性值', fontsize=18)
plt.ylabel(‘B屬性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)
plt.show()

9. 繪制 核密度圖 kdeplot()

9.1 一般核密度圖

繪制和密度圖，可以讓我們更直觀地看出樣本數(shù)據(jù)的分布特征。繪制核密度圖使用的方法是kdeplot()方法。

對A屬性值和B屬性值繪制核密度圖，

將shade設置為True可以顯示包圍的陰影，否則只有線條。

sns.set_style(‘darkgrid')
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.kdeplot(df1[“A屬性值”], shade=True, data=df1, color=‘r')
sns.kdeplot(df1[“B屬性值”], shade=True, data=df1, color=‘g')
plt.title(“核密度圖”, fontsize=18)
plt.xlabel(‘Value', fontsize=18)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)
plt.show()

9.2 邊際核密度圖

繪制邊際核密度圖時使用的是sns.jointplot()方法。參數(shù)kind應為"kde"。使用該方法時，默認使用的是dark樣式。且不建議手動添加其他樣式，否則可能使圖像無法正常顯示。

plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.jointplot(x=df1[“A屬性值”], y=df1[“B屬性值”], kind=“kde”, space=0)
plt.show()

10. 繪制 箱線圖 boxplot()

繪制箱線圖使用到的是boxplot()方法。

基本的參數(shù)有x, y, data。

除此之外 還可以有

hue 表示分類字段

width 可以調(diào)節(jié)箱體的寬度

notch 表示中間箱體是否顯示缺口，默認False不顯示。

鑒于前邊的數(shù)據(jù)數(shù)據(jù)量不太夠不便展示，這里再生成一組數(shù)據(jù)：

np.random.seed(13)
Y = np.random.randint(20, 150, 360)
df2 = pd.DataFrame(
{‘廠商編號': [‘001', ‘001', ‘001', ‘002', ‘002', ‘002', ‘003', ‘003', ‘003', ‘004', ‘004', ‘004'] * 30,
‘產(chǎn)品類型': [‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC'] * 30,
‘XXX屬性值': Y
}
)

生成好后，開始繪制箱線圖：

plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.boxplot(x=‘產(chǎn)品類型', y=‘XXX屬性值', data=df2)
plt.show()

交換x、y軸數(shù)據(jù)后：

plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.boxplot(y=‘產(chǎn)品類型', x=‘XXX屬性值', data=df2)
plt.show()

可以看到箱線圖的方向也隨之改變

將廠商編號作為分類字段：

plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.boxplot(x=‘產(chǎn)品類型', y=‘XXX屬性值', data=df2, hue=“廠商編號”)
plt.show()

11. 繪制 提琴圖 violinplot()

提琴圖結合了箱線圖和核密度圖的特征，用于展示數(shù)據(jù)的分布形狀。

使用violinplot()方法繪制提琴圖。

plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.violinplot(x=‘產(chǎn)品類型', y=‘XXX屬性值', data=df2)
plt.show()

plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.violinplot(x=‘XXX屬性值', y=‘產(chǎn)品類型', data=df2)
plt.show()

plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
sns.violinplot(x=‘產(chǎn)品類型', y=‘XXX屬性值', data=df2, hue=“廠商編號”)
plt.show()

12. 繪制 熱力圖 heatmap()

以雙色球中獎號碼數(shù)據(jù)為例繪制熱力圖，這里數(shù)據(jù)采用隨機數(shù)生成。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
?
sns.set()
plt.figure(figsize=(6,6))
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
?
s1 = np.random.randint(0, 200, 33)
s2 = np.random.randint(0, 200, 33)
s3 = np.random.randint(0, 200, 33)
s4 = np.random.randint(0, 200, 33)
s5 = np.random.randint(0, 200, 33)
s6 = np.random.randint(0, 200, 33)
s7 = np.random.randint(0, 200, 33)
data = pd.DataFrame(
{‘一': s1,
‘二': s2,
‘三': s3,
‘四':s4,
‘五':s5,
‘六':s6,
‘七':s7
}
)
?
plt.title(‘雙色球熱力圖')
sns.heatmap(data, annot=True, fmt=‘d', lw=0.5)
plt.xlabel(‘中獎號碼位數(shù)')
plt.ylabel(‘雙色球數(shù)字')
x = [‘第1位', ‘第2位', ‘第3位', ‘第4位', ‘第5位', ‘第6位', ‘第7位']
plt.xticks(range(0, 7, 1), x, ha=‘left')
plt.show()

到此這篇關于Python數(shù)據(jù)可視化之Seaborn的使用詳解的文章就介紹到這了,更多相關Python Seaborn內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

相關文章

  • 如何使用python操作vmware

    如何使用python操作vmware

    這篇文章主要介紹了如何使用python操作vmware,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
    2019-07-07
  • 手把手帶你了解Python數(shù)據(jù)分析--matplotlib

    手把手帶你了解Python數(shù)據(jù)分析--matplotlib

    這篇文章主要介紹了Python實現(xiàn)matplotlib顯示中文的方法,結合實例形式詳細總結分析了Python使用matplotlib庫繪圖時顯示中文的相關操作技巧與注意事項,需要的朋友可以參考下
    2021-08-08
  • 圖文詳解Python中最神秘的一個魔法函數(shù)

    圖文詳解Python中最神秘的一個魔法函數(shù)

    Python進階之路我覺得有兩個東西一定要了解,一個是魔法函數(shù),下面這篇文章主要給大家介紹了關于Python中最神秘的一個魔法函數(shù)的相關資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下
    2021-12-12
  • Django Form設置文本框為readonly操作

    Django Form設置文本框為readonly操作

    這篇文章主要介紹了Django Form設置文本框為readonly操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-07-07
  • Python基于matplotlib畫箱體圖檢驗異常值操作示例【附xls數(shù)據(jù)文件下載】

    Python基于matplotlib畫箱體圖檢驗異常值操作示例【附xls數(shù)據(jù)文件下載】

    這篇文章主要介紹了Python基于matplotlib畫箱體圖檢驗異常值操作,涉及Python針對xls格式數(shù)據(jù)文件的讀取、matplotlib圖形繪制等相關操作技巧,并附帶xls數(shù)據(jù)文件供讀者下載參考,需要的朋友可以參考下
    2019-01-01
  • 對python3 sort sorted 函數(shù)的應用詳解

    對python3 sort sorted 函數(shù)的應用詳解

    今天小編就為大家分享一篇對python3 sort sorted 函數(shù)的應用詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-06-06
  • python實現(xiàn)H2O中的隨機森林算法介紹及其項目實戰(zhàn)

    python實現(xiàn)H2O中的隨機森林算法介紹及其項目實戰(zhàn)

    這篇文章主要介紹了python實現(xiàn)H2O中的隨機森林算法介紹及其項目實戰(zhàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧
    2019-08-08
  • Python學習筆記之if語句的使用示例

    Python學習筆記之if語句的使用示例

    python的if語句和其他語言有些不同，它沒有用括號來表示代碼塊，而是使用縮進，現(xiàn)在乍聽一下你可能不太明白，所以下面這篇文章主要給大家介紹了關于Python學習筆記之if語句使用的相關資料，需要的朋友可以參考下。
    2017-10-10
  • python循環(huán)神經(jīng)網(wǎng)絡RNN函數(shù)tf.nn.dynamic_rnn使用

    python循環(huán)神經(jīng)網(wǎng)絡RNN函數(shù)tf.nn.dynamic_rnn使用

    這篇文章主要為大家介紹了python循環(huán)神經(jīng)網(wǎng)絡RNN的tf.nn.dynamic_rnn使用示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪
    2022-05-05
  • Python數(shù)據(jù)結構與算法之鏈表,無序鏈表詳解

    Python數(shù)據(jù)結構與算法之鏈表,無序鏈表詳解

    這篇文章主要為大家詳細介紹了Python數(shù)據(jù)結構與算法之鏈表,使用數(shù)據(jù)庫，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助
    2022-03-03

最新評論