Seaborn是基于matplotlib產(chǎn)生的一個模塊，專攻于統(tǒng)計(jì)可視化鹃操，可以和pandas進(jìn)行無縫鏈接仓坞，使初學(xué)者更容易上手。相對于matplotlib购岗，Seaborn語法更簡潔汰聋，兩者關(guān)系類似于numpy和pandas之間的關(guān)系。

2.1安裝：

1)linux系統(tǒng)

sudo pip install seaborn

2)window系統(tǒng)

pip install seaborn

2.2快速入門

import? as sns

sns.set(style="ticks")

from matplotlib import pyplot

# 加載數(shù)據(jù)集

tips = sns.load_dataset("tips")

# 繪圖

sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="PRGn")

sns.despine(offset=10, trim=True)

#圖片展示與保存

pyplot.savefig("GroupedBoxplots.png")

pyplot.show()

2.3seaborn常用方法

1喊积、單變量分析繪圖

1）分布的集中趨勢烹困，反映數(shù)據(jù)向其中心值靠攏或聚集的程度

x = np.random.normal(size=100)

sns.distplot(x, kde=True)# kde=False關(guān)閉核密度分布, rug表示在x軸上每個觀測上生成的小細(xì)條（邊際毛毯）

2、觀測兩個變量之間的分布關(guān)系最好用散點(diǎn)圖

1）直接擬合概率密度函數(shù)

sns.jointplot(x="x", y="y", data=df, kind="kde")

2）能夠更加直觀反映點(diǎn)的分布情況

hex圖 (數(shù)據(jù)量大的時(shí)候)?

最好黑白相間

數(shù)據(jù)量大時(shí)候乾吻，用hex圖髓梅，分辨出哪塊更多(顏色深淺)

mean, cov = [0, 1], [(1, .5), (.5, 1)]

data = np.random.multivariate_normal(mean, cov, 200)

df = pd.DataFrame(data, columns=["x", "y"])

x, y = np.random.multivariate_normal(mean, cov, 1000).T

with sns.axes_style("ticks"):

? ? sns.jointplot(x=x, y=y, kind="hex")?

3、多變量兩兩顯示

# 鵑尾花數(shù)據(jù)iris = sns.load_dataset("iris")

sns.pairplot(iris)

4绎签、Seaborn可視化各種繪圖操作

1枯饿、盒圖 box graph

import matplotlib.pyplot as plt

import numpy as np

盒圖關(guān)心中位數(shù)Q2、四分之一位Q1诡必、四分之三位Q3和離群點(diǎn)?

IQR = Q3 - Q1

如果Q1-1.5IQR或者Q3+1.5IQR就是離群點(diǎn)

tang_data = [np.random.normal(0, std, 100) for std in range(1,4)]

fig = plt.figure(figsize=(8,6))

plt.boxplot(tang_data, vert=True, notch=True)

plt.xticks([x+1 for x in range(len(tang_data))], ['x1', 'x2', 'x3'])

plt.xlabel('x')

plt.title('box plot')

import seaborn as sns

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

2奢方、單特征繪制直方圖

1）distplot

x = np.random.normal(size=100)

sns.distplot(x, kde=False, bins=20)

2）countplot 計(jì)數(shù)圖

countplot 故名思意，計(jì)數(shù)圖爸舒，可將它認(rèn)為一種應(yīng)用到分類變量的直方圖蟋字，也可認(rèn)為它是用以比較類別間計(jì)數(shù)差，調(diào)用 count 函數(shù)的 barplot扭勉。

seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, ax=None, **kwargs)

x, y, hue: names of variables in data or vector data, optional

data: DataFrame, array, or list of arrays, optional

order, hue_order: lists of strings, optional #設(shè)置順序

orient: “v” | “h”, optional #設(shè)置水平或者垂直顯示

ax: matplotlib Axes, optional #設(shè)置子圖位置鹊奖，將在下節(jié)介紹繪圖基礎(chǔ)

3、分析兩個特征之間的關(guān)系涂炎，利用散點(diǎn)圖來表達(dá)

mean, cov = [0,1], [(1, .5), (.5,1)]

data = np.random.multivariate_normal(mean, cov, 200)

df = pd.DataFrame(data, columns=['X1', 'X2'])

sns.jointplot(x='X1', y='X2', data=df)

# kind = 'hex' ?# 六邊形

data = np.random.multivariate_normal(mean, cov, 2000).T

with sns.axes_style('white'):

????sns.jointplot(x=data[0], y=data[1], kind='hex', color='k')

4嫉入、看兩兩之間變量的關(guān)系

iris = sns.load_dataset('iris')

sns.pairplot(iris)

5焰盗、條形圖

sns.barplot(x='sex', y='survived', data=titanic, hue='class')

點(diǎn)圖，不看集中趨勢咒林，就看各自的變化

sns.pointplot(x='sex', y='survived', data=titanic, hue='class')

sns.pointplot(x='class', y='survived', data=titanic, hue='sex', palette={'male':'g','female':'m'}, markers=['^', 'o'], linestyles=['-','--'])

tips = sns.load_dataset('tips', data_home='.')

# jitter 震動

sns.stripplot(x='day', y='total_bill', data=tips, jitter=True)

sns.swarmplot(x='day', y='total_bill', data=tips)

sns.swarmplot(x='day', y='total_bill', data=tips, hue='sex')

sns.swarmplot(x='day', y='total_bill', data=tips, hue='time')

6熬拒、盒圖

sns.boxplot(x='day', y='total_bill', data=tips, hue='time')

7、小提琴圖

sns.violinplot(x='day', y='total_bill', data=tips, hue='sex', split=True)

sns.violinplot(x='day', y='total_bill', data=tips, inner=None, split=True)

sns.swarmplot(x='day', y='total_bill', data=tips, color='k', alpha=1.0)

8垫竞、熱力圖通過顏色一目了然的指定值的大小澎粟，以及變化的趨勢

uniform_data = np.random.rand(3,3)

sns.heatmap(uniform_data)

sns.heatmap(uniform_data, vmin=0.2, vmax=0.5)

normal_data = np.random.randn(3,3)

sns.heatmap(normal_data, center=0)

flights = sns.load_dataset('flights')

data = flights.pivot("month", "year", 'passengers')

sns.heatmap(data)

sns.heatmap(data, annot=True, fmt='d', linewidths=.5, cbar=False, cmap='YlGnBu')

9、設(shè)置畫圖的整體風(fēng)格

def sin_plot(flip=1):

????x = np.linspace(0, 14, 100)

????for i in range(1,7):

????????plt.plot(x, np.sin(x+i*.5)*(7-i)*flip)

sin_plot()

10欢瞪、有五種主題風(fēng)格活烙，darkgrid whitegrid dark white ticks

sns.set_style('darkgrid')

data = np.random.normal(size=(20,6)) + np.arange(6) / 2

sns.boxplot(data=data)

11、每一個子圖的風(fēng)格都可以不一樣遣鼓，with里面一個風(fēng)格啸盏，外面一個風(fēng)格

with sns.axes_style('whitegrid'):

????plt.subplot(211)

????sin_plot()

plt.subplot(212)

sin_plot(-1)

12、布局的風(fēng)格

sns.set_context("paper")

plt.figure(figsize=(8,6))

sin_plot()

sns.set_context("talk")

plt.figure(figsize=(8,6))

sin_plot()

sns.set_context("poster")

plt.figure(figsize=(8,6))

sin_plot()

sns.set_context("notebook", font_scale=3.5, rc={'lines.linewidth': 4.5})

plt.figure(figsize=(8,6))

sin_plot()