seaborn的countplot

countplot

說點什么呢

seaborn是python的一個可視化模塊盈简,構建于matplotlib之上凑耻,對于pandasDataFrame這種數(shù)據(jù)結構有著很好的支持太示,能夠大大減少構建繪圖數(shù)據(jù)是所需的工作量(我也不知道自己為什么要裝逼不去用R的ggplot2)。

countplot

到底要不要點
有時候我們需要對DataFrame中的某一列或兩列進行統(tǒng)計(多了我也不會)香浩,省去去構建barplot所需的數(shù)據(jù)這一過程类缤,seaborncountplot能夠很好的勝任這一……(這一什么?使命~ 真的是詞窮啊~)

markdown竟然有下標 可以)

Show the counts of observations in each categorical bin using bars.
使用bars來表示每個分類數(shù)據(jù)的數(shù)目

如果你沒有打開上面的鏈接邻吭,那么~我把它搬過來了呀非。

像所有的matplotlib函數(shù)那樣,這個函數(shù)也有著挺多的參數(shù)镜盯,但是平時用到的應該也就這幾個

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
ax

data平時我用的也就是DataFrame的名字
ax用來指定坐標系(不明白的話去補一下matplotlib的知識)岸裙。

x比較容易理解,就是因子所在的列名(平時使用的都是DataFrame)速缆,如果只給了x這一個指定數(shù)據(jù)的參數(shù)降允,那么就會匯出這個每個因子所包含的記錄的數(shù)目(ipython notebook)

import seaborn as sns
%matplotlib inline
titanic_df=sns.load_dataset("titanic")

titanic_df.head(5)  #看一下數(shù)據(jù)什么樣子
    survived    pclass  sex age sibsp   parch   fare    embarked    class   who adult_male  deck    embark_town alive   alone
0   0   3   male    22.0    1   0   7.2500  S   Third   man True    NaN Southampton no  False
1   1   1   female  38.0    1   0   71.2833 C   First   woman   False   C   Cherbourg   yes False
2   1   3   female  26.0    0   0   7.9250  S   Third   woman   False   NaN Southampton yes True
3   1   1   female  35.0    1   0   53.1000 S   First   woman   False   C   Southampton yes False
4   0   3   male    35.0    0   0   8.0500  S   Third   man True    NaN Southampton no  True

# 用y的話就變成水平的了
sns.countplot(x = 'survived',data=titanic_df)

這里是僅僅繪出了titanic_dfsurvived這一列數(shù)據(jù)中兩類的數(shù)目

x='survived'

有500+的遇難者(‘0’),300+的幸存者(‘1’)艺糜。
(ps:這里使用的是seaborn自帶的泰坦尼克的數(shù)據(jù)剧董,對就是那艘首秀即謝幕的巨輪)

如果我們同時要查看在這些遇難者以及幸存者中,男人以及女人的數(shù)目破停,就需要加入另外一個參數(shù)hue(我始終不明白為什么要用這個詞~)

# 依舊是上面的數(shù)據(jù)
sns.countplot(x = 'survived',hue = 'sex',data=titanic_df)
hue = 'sex'

遇難者以及幸存者男女比例一目了然翅楼,這很gentleman。

嗯~就到這里

如果想要進行更多的定制話操作真慢,可以參照axis對象的方法(matplotlib中)毅臊,由于這個函數(shù)是有返回值的,返回的是一個matplotlib Axes對象黑界,因此管嬉,可以通過面向對象的方法進行后續(xù)axis所支持的各種操作。

# 中文無法正常顯示朗鸠,好像字體問題蚯撩,沒有深究。
g = sns.countplot(x = 'survived',hue = 'sex',data=titanic_df)
g.set_title('title')

再不睡覺要猝死了V蛘肌Lタ妗!明天還要上班~


最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末忆家,一起剝皮案震驚了整個濱河市犹菇,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌弦赖,老刑警劉巖项栏,帶你破解...
    沈念sama閱讀 222,104評論 6 515
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異蹬竖,居然都是意外死亡沼沈,警方通過查閱死者的電腦和手機流酬,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,816評論 3 399
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來列另,“玉大人芽腾,你說我怎么就攤上這事∫逞茫” “怎么了摊滔?”我有些...
    開封第一講書人閱讀 168,697評論 0 360
  • 文/不壞的土叔 我叫張陵,是天一觀的道長店乐。 經常有香客問我艰躺,道長,這世上最難降的妖魔是什么眨八? 我笑而不...
    開封第一講書人閱讀 59,836評論 1 298
  • 正文 為了忘掉前任腺兴,我火速辦了婚禮,結果婚禮上廉侧,老公的妹妹穿的比我還像新娘页响。我一直安慰自己,他們只是感情好段誊,可當我...
    茶點故事閱讀 68,851評論 6 397
  • 文/花漫 我一把揭開白布闰蚕。 她就那樣靜靜地躺著,像睡著了一般连舍。 火紅的嫁衣襯著肌膚如雪没陡。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,441評論 1 310
  • 那天烟瞧,我揣著相機與錄音诗鸭,去河邊找鬼染簇。 笑死参滴,一個胖子當著我的面吹牛,可吹牛的內容都是我干的锻弓。 我是一名探鬼主播砾赔,決...
    沈念sama閱讀 40,992評論 3 421
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼青灼!你這毒婦竟也來了暴心?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 39,899評論 0 276
  • 序言:老撾萬榮一對情侶失蹤杂拨,失蹤者是張志新(化名)和其女友劉穎专普,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體弹沽,經...
    沈念sama閱讀 46,457評論 1 318
  • 正文 獨居荒郊野嶺守林人離奇死亡檀夹,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 38,529評論 3 341
  • 正文 我和宋清朗相戀三年筋粗,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片炸渡。...
    茶點故事閱讀 40,664評論 1 352
  • 序言:一個原本活蹦亂跳的男人離奇死亡娜亿,死狀恐怖,靈堂內的尸體忽然破棺而出蚌堵,到底是詐尸還是另有隱情买决,我是刑警寧澤,帶...
    沈念sama閱讀 36,346評論 5 350
  • 正文 年R本政府宣布吼畏,位于F島的核電站督赤,受9級特大地震影響,放射性物質發(fā)生泄漏泻蚊。R本人自食惡果不足惜够挂,卻給世界環(huán)境...
    茶點故事閱讀 42,025評論 3 334
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望藕夫。 院中可真熱鬧孽糖,春花似錦、人聲如沸毅贮。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,511評論 0 24
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽滩褥。三九已至病蛉,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間瑰煎,已是汗流浹背铺然。 一陣腳步聲響...
    開封第一講書人閱讀 33,611評論 1 272
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留酒甸,地道東北人魄健。 一個月前我還...
    沈念sama閱讀 49,081評論 3 377
  • 正文 我出身青樓,卻偏偏與公主長得像插勤,于是被迫代替她去往敵國和親沽瘦。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 45,675評論 2 359

推薦閱讀更多精彩內容