import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings(action='once')
plt.style.use('seaborn-whitegrid')
sns.set_style("whitegrid")
print(mpl.__version__)
print(sns.__version__)
def draw_scatter(file):
? ? # Import Data
? ? df = pd.read_csv(file)
? ? df_select = df.loc[df.cyl.isin([4, 8]), :]

? ? # Plot
? ? gridobj = sns.lmplot(
? ? ? ? x="displ",
? ? ? ? y="hwy",
? ? ? ? hue="cyl",
? ? ? ? data=df_select,
? ? ? ? height=7,
? ? ? ? aspect=1.6,
? ? ? ? palette='Set1',
? ? ? ? scatter_kws=dict(s=60, linewidths=.7, edgecolors='black'))
? ? # Decorations
? ? sns.set(style="whitegrid", font_scale=1.5)
? ? gridobj.set(xlim=(0.5, 7.5), ylim=(10, 50))
? ? gridobj.fig.set_size_inches(10, 6)
? ? plt.tight_layout()
? ? plt.title("Scatterplot with line of best fit grouped by number of cylinders")
? ? plt.show()
draw_scatter("F:\數(shù)據(jù)雜壇\datasets\mpg_ggplot2.csv")

實(shí)現(xiàn)效果：

在散點(diǎn)圖上添加趨勢(shì)線（線性擬合線）反映兩個(gè)變量是正相關(guān)、負(fù)相關(guān)或者無(wú)相關(guān)關(guān)系。紅藍(lán)兩組數(shù)據(jù)分別繪制出最佳的線性擬合線。

二、繪制邊緣直方圖

實(shí)現(xiàn)功能：

python繪制邊緣直方圖，用于展示X和Y之間的關(guān)系、及X和Y的單變量分布情況，常用于數(shù)據(jù)探索分析。

實(shí)現(xiàn)代碼：

import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings(action='once')
plt.style.use('seaborn-whitegrid')
sns.set_style("whitegrid")
print(mpl.__version__)
print(sns.__version__)
def draw_Marginal_Histogram(file):
? ? # Import Data
? ? df = pd.read_csv(file)

? ? # Create Fig and gridspec
? ? fig = plt.figure(figsize=(10, 6), dpi=100)
? ? grid = plt.GridSpec(4, 4, hspace=0.5, wspace=0.2)
? ? # Define the axes
? ? ax_main = fig.add_subplot(grid[:-1, :-1])
? ? ax_right = fig.add_subplot(grid[:-1, -1], xticklabels=[], yticklabels=[])
? ? ax_bottom = fig.add_subplot(grid[-1, 0:-1], xticklabels=[], yticklabels=[])
? ? # Scatterplot on main ax
? ? ax_main.scatter('displ',
? ? ? ? ? ? ? ? ? ? 'hwy',
? ? ? ? ? ? ? ? ? ? s=df.cty * 4,
? ? ? ? ? ? ? ? ? ? c=df.manufacturer.astype('category').cat.codes,
? ? ? ? ? ? ? ? ? ? alpha=.9,
? ? ? ? ? ? ? ? ? ? data=df,
? ? ? ? ? ? ? ? ? ? cmap="Set1",
? ? ? ? ? ? ? ? ? ? edgecolors='gray',
? ? ? ? ? ? ? ? ? ? linewidths=.5)
? ? # histogram on the right
? ? ax_bottom.hist(df.displ,
? ? ? ? ? ? ? ? ? ?40,
? ? ? ? ? ? ? ? ? ?histtype='stepfilled',
? ? ? ? ? ? ? ? ? ?orientation='vertical',
? ? ? ? ? ? ? ? ? ?color='#098154')
? ? ax_bottom.invert_yaxis()
? ? # histogram in the bottom
? ? ax_right.hist(df.hwy,
? ? ? ? ? ? ? ? ? 40,
? ? ? ? ? ? ? ? ? histtype='stepfilled',
? ? ? ? ? ? ? ? ? orientation='horizontal',
? ? ? ? ? ? ? ? ? color='#098154')
? ? # Decorations
? ? ax_main.set(title='Scatterplot with Histograms \n displ vs hwy',
? ? ? ? ? ? ? ? xlabel='displ',
? ? ? ? ? ? ? ? ylabel='hwy')
? ? ax_main.title.set_fontsize(10)
? ? for item in ([ax_main.xaxis.label, ax_main.yaxis.label] +
? ? ? ? ? ? ? ? ?ax_main.get_xticklabels() + ax_main.get_yticklabels()):
? ? ? ? item.set_fontsize(10)

? ? xlabels = ax_main.get_xticks().tolist()
? ? ax_main.set_xticklabels(xlabels)
? ? plt.show()
draw_Marginal_Histogram("F:\數(shù)據(jù)雜壇\datasets\mpg_ggplot2.csv")

實(shí)現(xiàn)效果：