Seaborn庫(kù)的基本繪圖操作

#seaborn庫(kù)可視化模板

#導(dǎo)庫(kù)
from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
import seaborn as sns

# 設(shè)置中文字體
sns.set_style('whitegrid', {'font.sans-serif':['simhei', 'Arial']})

# 忽略警告
import warnings
warnings.filterwarnings('ignore')

#加載數(shù)據(jù)
data = pd.read_csv('.../data.csv')

一、seaborn的繪圖風(fēng)格

1、主題樣式

seaborn庫(kù)中有darkgird（灰色背景+白網(wǎng)格）、whitegrid（白色背景+黑網(wǎng)格）、dark（僅灰色背景）、white（僅白色背景）、ticks（坐標(biāo)軸帶刻度）5種預(yù)設(shè)的主題。

個(gè)人推薦whitegrid或white

darkgrid與whitegrid主題有助于在繪圖時(shí)進(jìn)行定量信息的查找

dark與white主題有助于防止網(wǎng)格與表示數(shù)據(jù)的線條混淆

ticks主題有助于體現(xiàn)少量特殊的數(shù)據(jù)元素結(jié)構(gòu)

set_style( )修改主題，默認(rèn)主題為darkgrid

sns.set_style( style = None , rc = None)

set_style函數(shù)只能修改axes_style函數(shù)顯示的參數(shù)，axes_style函數(shù)可以達(dá)到臨時(shí)設(shè)置圖形樣式的效果。

x = np.arange(1, 10, 2)
y1 = x + 1
y2 = x + 3
y3 = x + 5
def showLine(flip=1):
    sns.lineplot(x, y1)
    sns.lineplot(x, y2)
    sns.lineplot(x, y3)
pic = plt.figure(figsize=(12, 8))
with sns.axes_style('darkgrid'):  # 使用darkgrid主題
    pic.add_subplot(2, 3, 1)
    showLine()
    plt.title('darkgrid')
with sns.axes_style('whitegrid'):  # 使用whitegrid主題
    pic.add_subplot(2, 3, 2)
    showLine()
    plt.title('whitegrid')
with sns.axes_style('dark'):  # 使用dark主題
    pic.add_subplot(2, 3, 3)
    showLine()
    plt.title('dark')
with sns.axes_style('white'):  # 使用white主題
    pic.add_subplot(2, 3, 4)
    showLine()
    plt.title('white')
with sns.axes_style('ticks'):  # 使用ticks主題
    pic.add_subplot(2, 3, 5)
    showLine()
    plt.title('ticks')
sns.set_style(style='darkgrid', rc={'font.sans-serif': ['MicrosoftYaHei', 'SimHei'],
                            'grid.color': 'black'})  # 修改主題中參數(shù)
pic.add_subplot(2, 3, 6)
showLine()
plt.title('修改參數(shù)')
plt.show()

2、元素縮放

set_context( )可以設(shè)置輸出圖形的尺寸，默認(rèn)為None

context參數(shù)可接收paper、notebook、talk、poster類型

paper < notebook < talk < poster

使用set_context函數(shù)只能修改plotting_context函數(shù)顯示的參數(shù)，plotting_context函數(shù)通過調(diào)整參數(shù)來改變圖中標(biāo)簽、線條或其他元素的大小，但不會(huì)影響整體樣式

sns.set_context( context = None , font_scale = 1, rc = None )

sns.set()
x = np.arange(1, 10, 2)
y1 = x + 1
y2 = x + 3
y3 = x + 5
def showLine(flip=1):
    sns.lineplot(x, y1)
    sns.lineplot(x, y2)
    sns.lineplot(x, y3)
pic = plt.figure(figsize=(8, 8))
# 恢復(fù)默認(rèn)參數(shù)
pic = plt.figure(figsize=(8, 8), dpi=100)
with sns.plotting_context('paper'):  # 選擇paper類型
    pic.add_subplot(2, 2, 1)
    showLine()
    plt.title('paper')
with sns.plotting_context('notebook'):  # 選擇notebook類型
    pic.add_subplot(2, 2, 2)
    showLine()
    plt.title('notebook')
with sns.plotting_context('talk'):  # 選擇talk類型
    pic.add_subplot(2, 2, 3)
    showLine()
    plt.title('talk')
with sns.plotting_context('poster'):  # 選擇poster類型
    pic.add_subplot(2, 2, 4)
    showLine()
    plt.title('poster')
plt.show()

3、邊框控制

despine( )可以移除任意位置的邊框、調(diào)節(jié)邊框的位置、修剪邊框的長(zhǎng)度

sns.despine( fig = None , ax = None , top = True , right = True , left = False , bottom = False , offset = None , trim = False )

#無(wú)參數(shù)despine()
with sns.axes_style('white'):
    showLine()
    sns.despine()  # 默認(rèn)無(wú)參數(shù)狀態(tài)，就是刪除上方和右方的邊框
    plt.title('控制圖形邊框')
plt.show()

#邊框與坐標(biāo)軸的距離為10
with sns.axes_style('white'):
    data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
    sns.boxplot(data=data)
    sns.despine(offset=10, left=False, bottom=False)
    plt.title('控制圖形邊框')
plt.show()

二、繪制關(guān)系圖

1、散點(diǎn)圖—sns.scatterplot( )

# 加載數(shù)據(jù)
hr = pd.read_csv('../data/hr.csv', encoding='gbk')
# 提取部門為產(chǎn)品開發(fā)部、離職為1的數(shù)據(jù)
product = hr.iloc[(hr['部門'].values=='產(chǎn)品開發(fā)部') & (hr['離職'].values==1), :]
ax = sns.scatterplot(x='評(píng)分', y='每月平均工作小時(shí)數(shù)（小時(shí)）', data=product)
plt.title('評(píng)價(jià)分?jǐn)?shù)與平均工作時(shí)間散點(diǎn)圖')
plt.show()

#通過對(duì)點(diǎn)著色和改變標(biāo)記來突顯類別
markers = {'低' : 'o', '中' : 'D', '高' : 's'}
sns.scatterplot(x='評(píng)分', y='每月平均工作小時(shí)數(shù)（小時(shí)）',hue='薪資',
                     style='薪資', markers=markers, data=product) 
plt.title('評(píng)價(jià)分?jǐn)?shù)與平均工作時(shí)間散點(diǎn)圖')
plt.show()

2、折線圖—sns.lineplot( )

主要參數(shù)：

estimator：接收pandas方法，可調(diào)用函數(shù)、None。表示y在同一x級(jí)別的聚合方法。默認(rèn)為mean

ci：接收int、sd、None，表示使用estimator參數(shù)聚合的置信區(qū)間大小，sd表示數(shù)據(jù)標(biāo)準(zhǔn)差。默認(rèn)為95

# 繪制房間數(shù)和房屋價(jià)格的折線圖
boston = pd.read_csv('../data/boston_house_prices.csv', encoding='gbk')
sns.lineplot(x='房間數(shù)（間）', y='房屋價(jià)格（千美元）', data=boston, ci=0)
plt.title('房間數(shù)與房屋價(jià)格')
plt.show()

# 繪制工齡和評(píng)分折線圖
IT = hr.iloc[hr['部門'].values=='IT部', :]
sns.lineplot(x='工齡（年）', y='評(píng)分', hue='離職', data=IT, ci=0)
plt.title('工齡與上年度評(píng)價(jià)')
plt.show()

3、熱力圖—heatmap( )

plt.rcParams['axes.unicode_minus'] = False
#plt.figure(figsize=(16, 12))
corr = boston.corr()  # 特征的相關(guān)系數(shù)矩陣
sns.heatmap(corr)
plt.title('特征矩陣熱力圖')
plt.show()

#添加數(shù)據(jù)標(biāo)記
plt.figure(figsize=(10, 10))
sns.heatmap(corr, annot=True, fmt='.2f')
plt.title('特征矩陣熱力圖')
plt.show()

4、矩陣網(wǎng)格圖—PairGrid( )

PairGrid( )可用于繪制數(shù)據(jù)關(guān)聯(lián)程度的網(wǎng)格圖

PairGrid( )將數(shù)據(jù)集中的每個(gè)變量映射到多個(gè)網(wǎng)格中的列和行，并可以使用不同的繪圖函數(shù)繪制上三角和下三角的雙變量圖，顯示數(shù)據(jù)集中變量的兩兩之間的關(guān)系。

#繪制犯罪率、一氧化氮含量、房間數(shù)與房屋價(jià)格兩兩之間的相關(guān)性網(wǎng)格圖
g = sns.PairGrid(boston, vars=['犯罪率', '一氧化氮含量（ppm）', '房間數(shù)（間）', '房屋價(jià)格（千美元）'])
g = g.map(plt.scatter)
plt.suptitle('矩陣網(wǎng)格圖', verticalalignment='bottom' , y=1)
plt.show()

# 繪制不同顏色的數(shù)據(jù)子集
sell = hr.iloc[(hr['部門'].values=='銷售部') & (hr['離職'].values==1), :]
g = sns.PairGrid(sell,
                 vars=['滿意度', '評(píng)分', '每月平均工作小時(shí)數(shù)（小時(shí)）'],
                 hue='薪資', palette='Set3')
g = g.map_diag(sns.kdeplot)
g = g.map_offdiag(plt.scatter)
plt.suptitle('不同顏色的矩陣網(wǎng)格圖', verticalalignment='bottom' , y=1)
plt.show()

5、關(guān)系網(wǎng)格組合圖—relplot( )

relplot( )可以實(shí)現(xiàn)統(tǒng)一訪問scatterplot函數(shù)和lineplot函數(shù)以繪制關(guān)系網(wǎng)格組合圖

#繪制單構(gòu)面散點(diǎn)圖
sns.relplot(x='滿意度', y='評(píng)分', hue='薪資',
            data=sell)
plt.title('滿意度水平與上年度評(píng)價(jià)')
plt.show()

#繪制網(wǎng)格圖
sns.relplot(x='滿意度', y='評(píng)分', hue='5年內(nèi)升職', row='薪資',
            col='工作事故', data=IT)
plt.show()

sns.relplot(x='滿意度', y='評(píng)分', hue='5年內(nèi)升職', col='工作事故',
            col_wrap=1, data=IT)
plt.show()

三、繪制分類圖

1、條形圖—barplot( )

from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns
import math

# 加載數(shù)據(jù)
boston = pd.read_csv('E:/桌面/源代碼+實(shí)驗(yàn)數(shù)據(jù)/第4章/data/boston_house_prices.csv', encoding='gbk')
hr = pd.read_csv('E:/桌面/源代碼+實(shí)驗(yàn)數(shù)據(jù)/第4章/data/hr.csv', encoding='gbk')

# 使用seaborn庫(kù)繪圖
sns.set_style('whitegrid', {'font.sans-serif':['simhei', 'Arial']})
# 設(shè)置中文字體
plt.rcParams['font.sans-serif'] = ['SimHei']
# 設(shè)置正常顯示負(fù)號(hào)
plt.rcParams['axes.unicode_minus']=False

# 繪制各部門人員總數(shù)條形圖
count = hr['部門'].value_counts()
index = count.index
sns.barplot(x=count, y=index)
plt.xticks(rotation=70)
plt.xlabel('部門')
plt.ylabel('總數(shù)')
plt.title('各部門人數(shù)對(duì)比')
plt.show()

2、計(jì)數(shù)圖—countplot( )

#繪制x軸與y軸顯示數(shù)據(jù)的計(jì)數(shù)圖
plt.figure(figsize=(8, 4))
plt.subplot(121)	#畫布分成一行二列，該子圖表示為第一個(gè)
sns.countplot(x='工齡（年）', data=hr)
plt.title('x軸顯示數(shù)據(jù)的計(jì)數(shù)圖')
plt.ylabel('計(jì)數(shù)')
plt.subplot(122)	#畫布分成一行二列，該子圖表示為第二個(gè)
sns.countplot(y='工齡（年）', data=hr)
plt.title('y軸顯示數(shù)據(jù)的計(jì)數(shù)圖')
plt.xlabel('計(jì)數(shù)')
plt.show()

# 繪制多分類嵌套的計(jì)數(shù)圖
sns.countplot(x='5年內(nèi)升職', hue='薪資', data=hr, palette='Set2')
plt.suptitle('多變量散點(diǎn)圖')
plt.ylabel('總數(shù)')
plt.show()

3、繪制單變量分布圖（直方圖）—distplot( )

#繪制單變量分布圖
sns.distplot(boston['財(cái)產(chǎn)稅'], kde=False)
plt.title('單變量的分布圖')
plt.ylabel('數(shù)量')
plt.show()

4、繪制分類散點(diǎn)圖—stripplot( )、swarmplot( )

（1）stripplot( )

stripplot( )接收多種類型的傳遞數(shù)據(jù)，包括列表、Numpy陣列、數(shù)據(jù)框（DataFrame）、序列（Series）、數(shù)組或向量。

主要參數(shù)：

jitter：表示添加均勻隨機(jī)噪聲（僅改變圖形）來優(yōu)化圖形顯示。默認(rèn)為True。

#繪制簡(jiǎn)單水平分布散點(diǎn)圖
sale = hr.iloc[(hr['部門'].values=='銷售部') & (hr['離職'].values==1), :]
sns.stripplot(x=sale['每月平均工作小時(shí)數(shù)（小時(shí)）'])
plt.title('簡(jiǎn)單水平分布散點(diǎn)圖')
plt.show()

#添加隨機(jī)噪聲抖動(dòng)
hr1 = hr.iloc[hr['離職'].values==1, :]
plt.figure(figsize=(10, 5))
plt.subplot(121)
plt.xticks(rotation=70)
sns.stripplot(x='部門', y='每月平均工作小時(shí)數(shù)（小時(shí)）', data=hr1)  # 默認(rèn)添加隨機(jī)噪聲
plt.title('默認(rèn)隨機(jī)噪聲抖動(dòng)')
plt.subplot(122)
plt.xticks(rotation=70)
sns.stripplot(x='部門', y='每月平均工作小時(shí)數(shù)（小時(shí)）',
                 data=hr1, jitter=False)  # 不添加隨機(jī)噪聲
plt.title('無(wú)隨機(jī)噪聲抖動(dòng)')
plt.show()

#以顏色顯示第二個(gè)分類條件
hr2 = hr.iloc[(hr['薪資'].values=='高') & (hr['離職'].values==0), :]
sns.stripplot(x='5年內(nèi)升職', y='每月平均工作小時(shí)數(shù)（小時(shí)）',
              hue='部門', data=hr2, jitter=True)
plt.title('前5年是否晉升與平均每月工作時(shí)長(zhǎng)')
plt.show()

#使變量沿分類軸方向分類
plt.figure(figsize=(70, 13))
plt.subplot(211)
plt.xticks(rotation=70)
plt.title('不同部門的平均每月工作時(shí)長(zhǎng)')
sns.stripplot(x='部門', y='每月平均工作小時(shí)數(shù)（小時(shí)）', hue='5年內(nèi)升職', data=hr2)
plt.subplot(212)
plt.xticks(rotation=70)
sns.stripplot(x='部門', y='每月平均工作小時(shí)數(shù)（小時(shí)）', hue='5年內(nèi)升職', 
              data=hr2, dodge=True)
plt.show()

（2）swarmplot( )

用stripplot函數(shù)添加隨機(jī)噪聲來增加圖形抖動(dòng)及將變量沿著分類軸繪制后，仍然有重疊的可能。

使用swarmplot函數(shù)可以避免這種情況，swarmplot函數(shù)能夠繪制出具有非重疊點(diǎn)的分類散點(diǎn)圖。

#繪制簡(jiǎn)單的分布密度散點(diǎn)圖
sns.swarmplot(x='部門', y='每月平均工作小時(shí)數(shù)（小時(shí)）', data=hr2)
plt.xticks(rotation=70)
plt.title('不同部門的平均每月工作時(shí)長(zhǎng)')
plt.show()

#添加多個(gè)嵌套分類變量
sns.swarmplot(x='部門', y='每月平均工作小時(shí)數(shù)（小時(shí)）',
                 hue='5年內(nèi)升職', data=hr2)
plt.xticks(rotation=30)
plt.title('不同部門的平均每月工作時(shí)長(zhǎng)')
plt.show()

5、繪制增強(qiáng)箱線圖—boxenplot( )

#繪制普通箱線圖與增強(qiáng)箱線圖
fig, axes = plt.subplots(1, 2, figsize=(8, 4))
axes[0].set_title('普通箱線圖')
boston['房間數(shù)(取整)'] = boston['房間數(shù)（間）'].map(math.floor)  # 對(duì)房間數(shù)取整
sns.boxplot(x='房間數(shù)(取整)', y='房屋價(jià)格（千美元）', 
            data=boston, orient='v', ax=axes[0])  # 普通
axes[1].set_title('增強(qiáng)箱線圖')
sns.boxenplot(x='房間數(shù)(取整)', y='房屋價(jià)格（千美元）', 
              data=boston, orient='v', ax=axes[1])  # 增強(qiáng)
plt.show()

6、繪制分類網(wǎng)格組合圖—pairplot( )

使用分類網(wǎng)格組合圖可繪制出數(shù)據(jù)集中的成對(duì)關(guān)系

#繪制波士頓房?jī)r(jià)的多變量散點(diǎn)圖
sns.pairplot(boston[['犯罪率', '一氧化氮含量（ppm）', '房間數(shù)（間）', '低收入人群', '房屋價(jià)格（千美元）']])
plt.suptitle('多變量散點(diǎn)圖', verticalalignment='bottom', y=1)
plt.show()

#繪制指定分類變量的散點(diǎn)圖
hr3 = sale[['滿意度', '總項(xiàng)目數(shù)', '工齡（年）', '薪資']]
sns.pairplot(hr3, hue='薪資')
plt.suptitle('多變量分類散點(diǎn)圖', verticalalignment='bottom')
plt.show()

四、繪制回歸圖

1、繪制線性回歸擬合圖—regplot( )

from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns

# 設(shè)置中文字體
sns.set_style('whitegrid', {'font.sans-serif':['simhei', 'Arial']})

# 忽略警告
import warnings
warnings.filterwarnings('ignore')

# 加載數(shù)據(jù)
boston = pd.read_csv('../data/boston_house_prices.csv', encoding='gbk')

#繪制修改置信區(qū)間ci參數(shù)前后的線性回歸擬合圖
fig, axes = plt.subplots(1, 2, figsize=(8, 4))
axes[0].set_title('修改前的線性回歸擬合圖')
axes[1].set_title('修改后的線性回歸擬合圖')
sns.regplot(x='房間數(shù)（間）', y='房屋價(jià)格（千美元）', data=boston, ax=axes[0])
sns.regplot(x='房間數(shù)（間）', y='房屋價(jià)格（千美元）', data=boston, ci=50, ax=axes[1])
plt.show()

2、繪制線性回歸網(wǎng)格組合圖—lmplot( )

#以河流穿行為類別繪制低收入人群與房屋價(jià)格兩個(gè)變量的回歸網(wǎng)格組合圖
sns.lmplot(x='低收入人群', y='房屋價(jià)格（千美元）', col='河流穿行', data=boston)
plt.show()

‘…/data/boston_house_prices.csv’, encoding=‘gbk’)

#繪制修改置信區(qū)間ci參數(shù)前后的線性回歸擬合圖
fig, axes = plt.subplots(1, 2, figsize=(8, 4))
axes[0].set_title(‘修改前的線性回歸擬合圖’)
axes[1].set_title(‘修改后的線性回歸擬合圖’)
sns.regplot(x=‘房間數(shù)（間）’, y=‘房屋價(jià)格（千美元）’, data=boston, ax=axes[0])
sns.regplot(x=‘房間數(shù)（間）’, y=‘房屋價(jià)格（千美元）’, data=boston, ci=50, ax=axes[1])
plt.show()

[外鏈圖片轉(zhuǎn)存中...(img-AgfMs08W-1664038679472)]

### 2、繪制線性回歸網(wǎng)格組合圖—lmplot( )

```python
#以河流穿行為類別繪制低收入人群與房屋價(jià)格兩個(gè)變量的回歸網(wǎng)格組合圖
sns.lmplot(x='低收入人群', y='房屋價(jià)格（千美元）', col='河流穿行', data=boston)
plt.show()

文章來源地址http://www.zghlxwxcb.cn/news/detail-673256.html

到了這里，關(guān)于Seaborn庫(kù)的基本繪圖操作的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！