seaborn

python画图库，分类详细整理了seaborn的各种功能。看完此图，快速掌握seaborn

seaborn

• Relationals Plots 关系图
  • scatterplot
    • ax = sns.scatterplot(x='total_bill',y='tip',hue='day',style='time',size='size',data=tips) p
    • p
  • lineplot
    • ax = sns.lineplot(x='timepoint',y='signal',hue='region',style='region',markers=True,dashes=False,data=fmri) p
    • p
  • relplot(可以看做是lineplot和scatterplot的归约)
    • relplot（关系图）可以看做是lineplot和scatterplot的归约，可以通过kind参数来指定画什么图形，重要参数解释如下： kind：默认scatter（散点图），也可以选择kind=‘line’（线图）； sizes：List、dict或tuple，可选，简单点就是图片大小，注意和size区分； col、row：将决定网格的面数的分类变量，具体看实例； g = sns.relplot(x='total_bill',y='tip',hue='time',size='size',palette=['b','r'],sizes=(10,100),col='time',row='sex',data=tips)
    • p
• Categorical plots(分类图）
  • categorical plot分类散点图
    • stripplot
      • stripplot（分布散点图）的意思就是按照不同类别对样本数据进行分布散点图绘制。stripplot（分布散点图）一般并不单独绘制，它常常与boxplot和violinplot联合起来绘制，作为这两种图的补充。 ax = sns.stripplot(x='day',y='total_bill',hue='smoker',data=tips,jitter=True,palette='Set2',dodge=True)
      • p
    • warmplot
      • 这个函数类似于stripplot()，但是对点进行了调整(只沿着分类轴)，这样它们就不会重叠。这更好地表示了值的分布，但它不能很好地扩展到大量的观测。 ax = sns.swarmplot(x='day',y='total_bill',hue='smoker',data=tips,palette='Set2',dodge=True)
      • p
  • Categorical distribution plot 分类分布图
    • boxplot
      • boxplot（箱线图，又称为盒须图、盒式图）便于在变量之间或跨类别变量级别比较的方式,显示定量数据的分布情况。框显示数据集的四分位数，线显示分布的其余部分，它能显示出一组数据的最大值、最小值、中位数及上下四分位数，使用四分位数范围函数的方法可以确定“离群值”的点。 ax = sns.boxplot(x="day", y="total_bill", data=tips)
      • p
    • violinplot
      • violinplot与boxplot扮演类似的角色，箱线图展示了分位数的位置，它显示了定量数据在一个（或多个）分类变量的多个层次上的分布，这些分布可以进行比较。不像箱形图中所有绘图组件都对应于实际数据点，小提琴绘图以基础分布的核密度估计为特征，通过小提琴图可以知道哪些位置的密度较高。在图中，白点是中位数，黑色盒型的范围是下四分位点到上四分位点，细黑线表示须。外部形状即为核密度估计。 ax = sns.violinplot(x='day',y='total_bill',hue='sex',data=tips,palette='Set2',split=True,scale='count',inner=None)
      • p
    • violinplot+stripplot
      • ax = sns.violinplot(x="tip", y="day", data=tips, inner=None,whis=np.inf) ax = sns.stripplot(x="tip", y="day", data=tips,jitter=True, color="c")
      • p
    • 其他混合
  • Categorical estimate plot分类估计图
    • barplot
      • 条形图表示数值变量与每个矩形高度的中心趋势的估计值，用矩形条表示点估计和置信区间，并使用误差线提供关于该估计值附近的不确定性的一些指示。 ax = sns.barplot(x='day',y='total_bill',hue='sex',data=tips)
      • p
    • countplot
      • 一个计数图可以被认为是一个分类直方图，而不是定量的变量。基本的api和选项与barplot（）相同，因此您可以比较嵌套变量中的计数。 sns.countplot(x='class',hue='who',data=titanic)
      • p
    • pointplot
      • 用散点图符号表示点估计和置信区间，点图代表散点图位置的数值变量的中心趋势估计，并使用误差线提供关于该估计的不确定性的一些指示。点图可能比条形图（barplot）更有用于聚焦一个或多个分类变量的不同级别之间的比较。他们尤其善于表现交互作用：一个分类变量的层次之间的关系如何在第二个分类变量的层次之间变化。连接来自相同色调等级的每个点的线允许交互作用通过斜率的差异进行判断，这比对几组点或条的高度比较容易。 ax = sns.pointplot(x="time", y="total_bill", hue="smoker",data=tips,estimator=np.median, dodge=True, palette="Set2",markers=["o", "x"],linestyles=["-", "--"])
      • p
    • catplot
      • 该函数提供了对几个轴级函数的访问，这些函数使用几种可视化表示形式之一显示一个数字变量和一个或多个分类变量之间的关系。其实说白了就是利用kind参数来画前面Categorical plots（分类图）中的任意8个图形 kind：默认strip（分布散点图），也可以选择“point”, “bar”, “count”, col、row：将决定网格的面数的分类变量，可具体制定； col_wrap：指定每行展示的子图个数，但是与row不兼容； row_order, col_order : 字符串列表，安排行和列，以及推断数据中的对象； height，aspect：与图像的大小有关； sharex，sharey：bool, ‘col’or ‘row’，是否共享想，x，y坐标；
• Dsitribution plot 分布图
  • distplot
    • 直方图又称质量分布图，它是表示资料变化情况的一种主要工具。用直方图可以解析出资料的规则性，比较直观地看出产品质量特性的分布状态，对于资料分布状况一目了然，便于判断其总体质量分布情况。直方图表示通过沿数据范围形成分箱（好像是等距分箱？），然后绘制条以显示落入每个分箱的观测次数的数据分布。 np.random.seed(665) x = np.random.randn(1000) ax = sns.distplot(x)
    • p
  • kdeplot
    • 核密度估计(kernel density estimation)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。通过核密度估计图可以比较直观的看出数据样本本身的分布特征。 iris = sns.load_dataset('iris') setosa = iris.loc[iris.species=='setosa'] virginica = iris.loc[iris.species == "virginica"] ax = sns.kdeplot(setosa.sepal_width,setosa.sepal_length,cmap='Reds',shade=True,shade_lowest=False) ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length,cmap="Blues",  shade=True, shade_lowest=False)
    • p
  • jointplot
    • 联合概率分布简称联合分布，是两个及以上随机变量组成的随机向量的概率分布。根据随机变量的不同，联合概率分布的表示形式也不同。对于离散型随机变量，联合概率分布可以以列表的形式表示，也可以以函数的形式表示；对于连续型随机变量，联合概率分布通过一非负函数的积分表示。 g = sns.jointplot("sepal_width", "petal_length", data=iris,kind="kde", space=0,ratio=6 ,color="r")
    • p
  • pairplot
    • 在数据集中绘制成对关系的图。默认情况下，该函数将创建一个轴网格，这样数据中的每个变量都将通过跨一行的y轴和跨单个列的x轴共享。对对角线轴的处理方式不同，绘制的图显示该列中变量的数据的单变量分布。此外，还可以在行和列上显示变量子集或绘制不同的变量。 ax = sns.pairplot(iris,hue='species',markers=['o','s','d'])
    • p
• Regression plot
  • lmplot 回归图
    • 许多数据集都有着众多连续变量。数据分析的目的经常就是衡量变量之间的关系，lmplot() 是一个非常有用的方法，它会在绘制二维散点图时，自动完成回归拟合。 g = sns.lmplot(x='total_bill',y='tip',col='day',hue='day',data=tips,col_wrap=2,height=4)
    • p
  • replot
• Matrix plot
  • heatmap
    • x = np.random.randn(12,8) sns.heatmap(x,annot=True,annot_kws={'size':9,'weight':'bold', 'color':'w'},fmt='.2f')
    • p
  • clustermap
    • iris = sns.load_dataset("iris") species = iris.pop("species") g = sns.clustermap(iris)
    • p
• FacetGride
  • 在探索中多维数据时，一种有用的方法是在数据集的不同子集上绘制同一类型图的多个子图。该类将数据集映射到与数据集中变量级别相对应的行和列网格中排列的多个轴上。它生成的图形通常被称为“格子”或“格子”绘图，它可以使查看者快速观察到有关复杂数据的大量信息。 FacetGrid当您想要在数据集的子集中分别可视化变量的分布或多个变量之间的关系时，该类非常有用。一个FacetGrid可以与多达三个维度可以得出：row，col，和hue。前两个与得到的轴阵列有明显的对应关系; 将hue变量视为沿深度轴的第三个维度，其中不同的级别用不同的颜色绘制。通过使用FacetGrid数据框初始化对象以及将形成网格的行，列或hue维度的变量名称来使用该类。这些变量（hue）应该是分类的或离散的，然后变量的每个级别的数据将用于沿该轴的小平面。此外，每个的relplot()，catplot()以及lmplot()在内部使用这些对象。 FacetGrid并不能直接绘制我们想要的图像，它的基本工作流程是FacetGrid使用数据集和用于构造网格的变量初始化对象。然后，可以通过调用FacetGrid.map()或将一个或多个绘图函数应用于每个子集 FacetGrid.map_dataframe()，最后，可以使用其他修改参数的方法调整绘图。 tips = sns.load_dataset("tips") g = sns.FacetGrid(tips, col="time", row="smoker")#2*2 tips = sns.load_dataset("tips") g = sns.FacetGrid(tips, col="time", row="smoker") g = g.map(plt.scatter, "total_bill", "tip", color="c")
  • p
  • p
• PairGride
  • 用于绘制数据集中成对关系的子图网格。该类将数据集中的每个变量映射到多轴网格中的列和行。不同的轴级绘图函数可用于绘制上、下三角形的二元图解，并可在对角线上显示每个变量的边缘分布。读到这里你就会发现，它和pairplot（）有什么区别呢？ 其实PairGrid和pairplot从原理来说是一样的，但是前面我们可以发现pairplot绘制的图像上、下三角形是关于主对角线对称的，而PairGrid则可修改上、下三角形和主对角线的图像形状。 iris = sns.load_dataset("iris") g = sns.PairGrid(iris,hue="species") g = g.map_upper(sns.scatterplot)#在上对角线子图上用二元函数绘制的图 g = g.map_lower(sns.kdeplot,color='r')#在下对角线子图上用二元函数绘制的图 g = g.map_diag(sns.kdeplot)#对角线单变量子图
  • p
• Style
  • sns.set_style("whitegrid") # 白色网格背景 sns.set_style("darkgrid") # 灰色网格背景 sns.set_style("dark") # 灰色背景 sns.set_style("white") # 白色背景 sns.set_style("ticks") # 四周加边框和刻度