繪制雙變量聯(lián)合分布圖

有時(shí)我們不僅需要查看單個(gè)變量的分 布，同時(shí)也需要查看變量之間的聯(lián)系， 往往還需要進(jìn)行預(yù)測等。這時(shí)就需要用到雙變量聯(lián)合分布了。

下面我們一起來看一下連續(xù)數(shù)值型數(shù)據(jù)雙變量之間的可視化方法。

在Seaborn中繪制連續(xù)數(shù)值型雙變量我們使用sns.jointplot():

說明文檔：https://seaborn.pydata.org/generated/seaborn.jointplot.html

 seaborn.jointplot(x, y, data=None, kind='scatter')

• x、y：分別記錄x軸和y軸的數(shù)據(jù)名稱。
• data：數(shù)據(jù)集，data的數(shù)據(jù)類型為DataFrame。
• kind：用于設(shè)置圖像的類型，可選的類型有： 'scatter' | 'reg' | 'resid' | 'kde' | 'hex'，分別表示散點(diǎn)圖、回歸圖、殘差圖、 核密度圖和蜂巢圖。

散點(diǎn)圖

如果我們希望看一看數(shù)據(jù)中兩個(gè)變量在二維平面上之間的關(guān)系時(shí)， 則可以使用散點(diǎn)圖，因?yàn)樯Ⅻc(diǎn)圖可以幫助我們很容易地發(fā)現(xiàn)一些數(shù)據(jù)的分布規(guī)律。

 import numpy as np
 import seaborn as sns
 import pandas as pd
 import matplotlib.pyplot as plt
 df =pd.DataFrame({'x':np.random.normal(size=500),
                  'y':np.random.normal(size=500)})
 sns.jointplot(x='x',y='y',data=df,kind='reg')
 plt.show()

雙變量散點(diǎn)圖：

• 根據(jù)結(jié)果我們發(fā)現(xiàn)， sns.jointplot()函數(shù)可以顯示兩個(gè)變量之間的聯(lián)合關(guān)系以及每個(gè)單變量的分布。
• 我們把函數(shù)中的 kind 參數(shù)設(shè)置為'reg' 就可以做一些簡單的線性模型擬合。
• 并且在坐標(biāo)系的上方和右側(cè)分別繪制了兩個(gè)變量的直方圖和核密度圖。

蜂巢圖

上面我們根據(jù)數(shù)據(jù)繪制了聯(lián)合散點(diǎn)圖，但是你會(huì)發(fā) 現(xiàn)兩個(gè)數(shù)據(jù)并沒有明確的線性關(guān)系，并且散點(diǎn)圖有 一個(gè)問題，就是相同的點(diǎn)會(huì)覆蓋在一起，導(dǎo)致我們 看不出來濃密和稀疏。 所以我們可以使用蜂巢圖查看一下數(shù)據(jù)的分布情況。

蜂巢圖的繪制還是使用seaborn.jointplot()函 數(shù)，只是將kind參數(shù)更該為hex即可。

 import numpy as np
 import seaborn as sns
 import pandas as pd
 import matplotlib.pyplot as plt
 df =pd.DataFrame({'x':np.random.normal(size=500),
                  'y':np.random.normal(size=500)})
 sns.jointplot(x='x',y='y',data=df,kind='hex')
 plt.show()

蜂巢圖中每個(gè)六邊形表示一個(gè)范圍， 用顏色表示這個(gè)范圍內(nèi)的數(shù)據(jù)量，顏 色越白的地方數(shù)據(jù)量越小，顏色越深 的地方表示數(shù)據(jù)量越大。 當(dāng)數(shù)據(jù)比較大的時(shí)候該種方式，更容易找出數(shù)據(jù)的分布情況。

密度圖

在單變量分析的時(shí)候，我們繪制了單變量的概率密度曲線， 在雙變量中我們也可以使用密度圖來分析數(shù)據(jù)的分布情況。 密度圖的繪制還是使用seaborn.jointplot()函數(shù)，只是將 kind參數(shù)更該為kde即可。

 import numpy as np
 import seaborn as sns
 import pandas as pd
 import matplotlib.pyplot as plt
 df =pd.DataFrame({'x':np.random.normal(size=500),
                  'y':np.random.normal(size=500)})
 sns.jointplot(x='x',y='y',data=df,kind='kde')
 plt.show()

根據(jù)圖形可以看出，雙變量密度圖是使用一些封閉 但是不規(guī)則的曲線來表示， 數(shù)據(jù)密度越高的地方顏色越深，數(shù)據(jù)密度越低的地方顏色越淺。

 g = sns.jointplot(data=x_data, x=x, y=y)
 g.plot_joint(sns.kdeplot, color="r", zorder=0, levels=6)
 g.plot_marginals(sns.rugplot, color="r", height=-.15, clip_on=False)

 sns.jointplot(
     data=x_data, x=x, y=y,
     marker="+", s=100, marginal_kws=dict(bins=25, fill=False),
 )

以上就是seaborn繪制雙變量聯(lián)合分布圖示例詳解的詳細(xì)內(nèi)容，更多關(guān)于seaborn繪制雙變量聯(lián)合分布圖的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論