Python圖表分布數據可視化：Seaborn
阿新 • • 發佈：2018-09-29
pair fill orb pearson () false res 容易 size
conda install seaborn 是安裝到jupyter那個環境的
1. 整體風格設置
對圖表整體顏色、比例等進行風格設置，包括顏色色板等
調用系統風格進行數據可視化
set() / set_style() / axes_style() / despine() / set_context()
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns % matplotlib inline
#創建正弦函數及圖表 def sinplot(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) sinplot()
1.1 set（）
sns.set() #設置風格之後就會固定住，唯一辦法就是刷新重新設置下 sinplot() plt.grid(linestyle = ‘--‘)
1.2 set_style（）
# 2、set_style() # 切換seaborn圖表風格 # 風格選擇包括："white", "dark", "whitegrid", "darkgrid", "ticks"fig = plt.figure(figsize=(6,6)) ax1 = fig.add_subplot(2,1,1) sns.set_style("whitegrid") data = np.random.normal(size=(20, 6)) + np.arange(6) / 2 sns.boxplot(data=data) plt.title(‘style - whitegrid‘) # 仍然可以使用matplotlib的參數 ax2 = fig.add_subplot(2,1,2) #sns.set_style("dark")sinplot() # 子圖顯示
1.3 despine（）
# 3、despine() # 設置圖表坐標軸 # seaborn.despine(fig=None, ax=None, top=True, right=True, left=False, # bottom=False, offset=None, trim=False) sns.set_style("ticks") # 設置風格 fig = plt.figure(figsize=(6,9)) plt.subplots_adjust(hspace=0.3) # 創建圖表 ax1 = fig.add_subplot(3,1,1) sinplot() sns.despine() # 刪除了上、右坐標軸 ax2 = fig.add_subplot(3,1,2) sns.violinplot(data=data) #小提琴圖 # sns.despine(offset=10, trim=True) #offset坐標軸會偏移10； trim=False是坐標軸沒有限制 # offset：與坐標軸之間的偏移 # trim：為True時，將坐標軸限制在數據最大最小值 ax3 = fig.add_subplot(3,1,3) sns.boxplot(data=data, palette="deep") sns.despine(left=True, right = False) #left=True是左邊不顯示；right=False是顯示 # top, right, left, bottom：布爾型，為True時不顯示
1.4 axes_style（）
# 4、axes_style() # 設置局部圖表風格，可學習和with配合的用法 with sns.axes_style("darkgrid"): plt.subplot(211) sinplot() # 設置局部圖表風格，用with做代碼塊區分 sns.set_style("whitegrid") plt.subplot(212) sinplot() # 外部表格風格
1.5 set_context（）
# 5、set_context() # 設置顯示比例尺度 # 選擇包括：‘paper‘, ‘notebook‘, ‘talk‘, ‘poster‘ sns.set_context("paper") sinplot() # 默認為notebook
2. 調色盤
# 對圖表整體顏色、比例等進行風格設置，包括顏色色板等
# 調用系統風格進行數據可視化
# color_palette()
2.1 color_palette（）
# 1、color_palette() # 默認6種顏色：deep, muted, pastel, bright, dark, colorblind # seaborn.color_palette(palette=None, n_colors=None, desat=None) current_palette = sns.color_palette() sns.palplot(current_palette)
# 一、其他顏色風格 # 風格內容：Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, # BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, # Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, # Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, # Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, # autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, # cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, # gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, # hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r, # pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spectral, spectral_r, spring, # spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r sns.palplot(sns.color_palette("inferno_r", 8)) # 這裏顏色風格為 hls # 顏色色塊個數為8個 # 風格顏色反轉(不是所有顏色都可以反轉)：Blues/Blues_r
#分組顏色設置 - “Paired” sns.palplot(sns.color_palette("Paired", 10)) #color_palette默認顏色
2.2 亮度、飽和度
# 2、設置亮度，飽和度 # 可用方法： # ① husl_palette([n_colors, h, s, l]) # ② hls_palette([n_colors, h, l, s]) sns.palplot(sns.hls_palette(8, l=.3, s=.9)) #l--> 亮度；s--> 飽和度
2.3 cubehelix_palette（）
# 3、cubehelix_palette() # 按照線性增長計算，設置顏色 sns.palplot(sns.cubehelix_palette(8, gamma=2)) #gamma值越大越暗 sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75)) #8個色帶，從1.2顏色開始算，rot是旋轉角度；start、rot起始終止顏色 sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True)) # n_colors → 顏色個數 # start → 值區間在0-3，開始顏色 # rot → 顏色旋轉角度 # gamma → 顏色伽馬值，越大顏色越暗 # dark，light → 值區間0-1，顏色深淺 # reverse → 布爾值，默認為False，由淺到深
2.4 dark_palette（）
#4、dark_palette(color[, n_colors, reverse, ...]) / light_palette(color[, n_colors, reverse, ...]) # 顏色深淺 sns.palplot(sns.light_palette("green")) # 按照green做淺色調色盤 #sns.palplot(sns.color_palette("Greens")) # cmap為Greens風格 sns.palplot(sns.dark_palette("red", reverse=True)) # 按照blue做深色調色盤 # reverse → 轉制顏色
2.5 diverging_palette（）
# 5、diverging_palette() # 創建分散顏色 # seaborn.diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6, # center=‘light‘, as_cmap=False)¶ sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7)) #第一個起始值和末尾顏色值，s和l是飽和度、亮度，n個數 # h_neg, h_pos → 起始/終止顏色值 # s → 值區間0-100，飽和度 # l → 值區間0-100，亮度 # n → 顏色個數 # center → 中心顏色為淺色還是深色“light”，“dark”,默認為light
# 5、diverging_palette() # 創建分散顏色 plt.figure(figsize = (8,6)) x = np.arange(25).reshape(5, 5) #二維的組 cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) #調色盤 sns.heatmap(x, cmap=cmap)#創建熱力圖它就顯示成熱力圖的效果了
# 設置調色板後，繪圖創建圖表 sns.set_style("whitegrid") # 設置風格 with sns.color_palette("PuBuGn_d"): #設置調色盤 plt.subplot(211) sinplot() sns.set_palette("husl") #或者這樣 plt.subplot(212) sinplot() # 繪制系列顏色
3. 分布數據可視化 - 直方圖與密度圖
distplot() / kdeplot() / rugplot()
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns % matplotlib inline sns.set_style("darkgrid") sns.set_context("paper") # 設置風格、尺度 import warnings warnings.filterwarnings(‘ignore‘) # 不發出警告
rs = np.random.RandomState(10) # 設定隨機數種子 s = pd.Series(rs.randn(100) * 100) sns.distplot(s,bins = 10,hist = True,kde = False,norm_hist=False, rug = True,vertical = False, color = ‘y‘,label = ‘distplot‘,axlabel = ‘x‘) plt.legend() # bins → 箱數 # hist、ked → 是否顯示箱數/顯示密度曲線 # norm_hist → 直方圖是否按照密度來顯示 # rug → 是否顯示數據分布情況 # vertical → 是否水平顯示 # color → 設置顏色 # label → 圖例 # axlabel → x軸標註
# 1、直方圖 - distplot() # 顏色詳細設置 sns.distplot(s,rug = True, rug_kws = {‘color‘:‘g‘} , # 設置數據頻率分布顏色 kde_kws={"color": "k", "lw": 1, "label": "KDE",‘linestyle‘:‘--‘}, # 設置密度曲線顏色，線寬，標註、線形 hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"}) # 設置箱子的風格、線寬、透明度、顏色 # 風格包括：‘bar‘, ‘barstacked‘, ‘step‘, ‘stepfilled‘
# 2、密度圖 - kdeplot() # 單個樣本數據密度分布圖 sns.kdeplot(s, shade = False, # 是否填充 color = ‘r‘, # 設置顏色 vertical = False # 設置是否水平 ) sns.kdeplot(s,bw=5, label="bw: 0.2", linestyle = ‘-‘,linewidth = 1.2,alpha = 0.5) sns.kdeplot(s,bw=20, label="bw: 2", linestyle = ‘-‘,linewidth = 1.2,alpha = 0.5) # bw → 控制擬合的程度，類似直方圖的箱數，設置的數量越大越平滑，越小越容易過度擬合 sns.rugplot(s,height = 0.1,color = ‘k‘,alpha = 0.5) # 數據頻率分布圖
# 2、密度圖 - kdeplot() # 兩個樣本數據密度分布圖 rs = np.random.RandomState(2) # 設定隨機數種子 df = pd.DataFrame(rs.randn(100,2), columns = [‘A‘,‘B‘]) sns.kdeplot(df[‘A‘],df[‘B‘], #兩個樣本的數據密度圖 cbar = True, # 是否顯示顏色圖例 shade = True, # 是否填充 cmap = ‘Reds‘, # 設置調色盤 shade_lowest=False, # 最外圍顏色是否顯示 n_levels = 10 # 曲線個數（如果非常多，則會越平滑） ) # 兩個維度數據生成曲線密度圖，以顏色作為密度衰減顯示 plt.grid(linestyle = ‘--‘) plt.scatter(df[‘A‘], df[‘B‘], s=5, alpha = 0.5, color = ‘k‘) #散點 sns.rugplot(df[‘A‘], color="g", axis=‘x‘,alpha = 0.5) sns.rugplot(df[‘B‘], color="r", axis=‘y‘,alpha = 0.5) # 註意設置x，y軸
# 2、密度圖 - kdeplot() # 兩個樣本數據密度分布圖 # 多個密度圖 rs1 = np.random.RandomState(2) rs2 = np.random.RandomState(5) df1 = pd.DataFrame(rs1.randn(100,2)+2,columns = [‘A‘,‘B‘]) df2 = pd.DataFrame(rs2.randn(100,2)-2,columns = [‘A‘,‘B‘]) # 創建數據 sns.kdeplot(df1[‘A‘],df1[‘B‘],cmap = ‘Greens‘, shade = True,shade_lowest=False) sns.kdeplot(df2[‘A‘],df2[‘B‘],cmap = ‘Blues‘, shade = True,shade_lowest=False) # 創建圖表
4. 分布數據可視化 - 散點圖
分布數據可視化 - 散點圖
jointplot() / pairplot()
綜合和矩陣散點圖
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns % matplotlib inline sns.set_style("whitegrid") sns.set_context("paper") # 設置風格、尺度 import warnings warnings.filterwarnings(‘ignore‘) # 不發出警告
# 1、綜合散點圖 - jointplot() # 散點圖 + 分布圖 rs = np.random.RandomState(2) df = pd.DataFrame(rs.randn(200,2),columns = [‘A‘,‘B‘]) # 創建數據 sns.jointplot(x=df[‘A‘], y=df[‘B‘], # 設置xy軸，顯示columns名稱 data=df, # 設置數據 color = ‘k‘, # 設置顏色 s = 50, edgecolor="w",linewidth=1, # 設置散點大小、邊緣線顏色及寬度(只針對scatter） kind = ‘scatter‘, # 設置類型：“scatter”、“reg”、“resid”、“kde”、“hex” space = 0.2, # 設置散點圖和布局圖的間距 size = 5, # 圖表大小（自動調整為正方形） ratio = 4, # 散點圖與布局圖高度比，整型 marginal_kws=dict(bins=15, rug=True) # 設置柱狀圖箱數，是否設置rug )
# 1、綜合散點圖 - jointplot() # 散點圖 + 分布圖 # 六邊形圖 df = pd.DataFrame(rs.randn(500,2),columns = [‘A‘,‘B‘]) # 創建數據 with sns.axes_style("white"): sns.jointplot(x=df[‘A‘], y=df[‘B‘],data = df, kind="hex", color="k", marginal_kws=dict(bins=20))
# 1、綜合散點圖 - jointplot() # 散點圖 + 分布圖 # 密度圖 rs = np.random.RandomState(15) df = pd.DataFrame(rs.randn(300,2),columns = [‘A‘,‘B‘]) # 創建數據 g = sns.jointplot(x=df[‘A‘], y=df[‘B‘],data = df, kind="kde", color="k", shade_lowest=False) #是否對外圍做面積的覆蓋 # 創建密度圖 g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+") # 添加散點圖
# 1、綜合散點圖 - JointGrid() # 可拆分繪制的散點圖 # plot_joint() + ax_marg_x.hist() + ax_marg_y.hist() sns.set_style("white") # 設置風格 tips = sns.load_dataset("tips") print(tips.head()) # 導入數據 g = sns.JointGrid(x="total_bill", y="tip", data=tips) # 創建一個繪圖表格區域，設置好x、y對應數據 g.plot_joint(plt.scatter, color =‘m‘, edgecolor = ‘white‘) # 設置框內圖表，scatter，首先設置個內部的點圖 g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6, bins=np.arange(0, 60, 3)) # 設置x軸直方圖，註意bins是數組 g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6, orientation="horizontal", bins=np.arange(0, 12, 1)) # 設置x軸直方圖，註意需要orientation參數 from scipy import stats g.annotate(stats.pearsonr) # 設置標註，可以為pearsonr，spearmanr plt.grid(linestyle = ‘--‘)
# 1、綜合散點圖 - JointGrid() # 可拆分繪制的散點圖 # plot_joint() + plot_marginals() g = sns.JointGrid(x="total_bill", y="tip", data=tips) # 創建一個繪圖表格區域，設置好x、y對應數據 g = g.plot_joint(plt.scatter,color="g", s=40, edgecolor="white") # 繪制散點圖 plt.grid(linestyle = ‘--‘) g.plot_marginals(sns.distplot, kde=True, color="g") # 繪制x，y軸直方圖
# 1、綜合散點圖 - JointGrid() # 可拆分繪制的散點圖 # plot_joint() + plot_marginals() # kde - 密度圖 g = sns.JointGrid(x="total_bill", y="tip", data=tips) # 創建一個繪圖表格區域，設置好x、y對應數據 g = g.plot_joint(sns.kdeplot,cmap = ‘Reds_r‘) # 繪制密度圖 plt.grid(linestyle = ‘--‘) g.plot_marginals(sns.kdeplot, shade = True, color="r") # 繪制x，y軸密度圖
# 2、矩陣散點圖 - pairplot() sns.set_style("white") # 設置風格 iris = sns.load_dataset("iris") print(iris.head()) # 讀取數據 sns.pairplot(iris, kind = ‘scatter‘, # 散點圖/回歸分布圖 {‘scatter’, ‘reg’} diag_kind="hist", # 直方圖/密度圖 {‘hist’, ‘kde’} hue="species", # 按照某一字段進行分類 palette="husl", # 設置調色板 markers=["o", "s", "D"], # 設置不同系列的點樣式（這裏根據參考分類個數） size = 1, # 圖表大小 )
# 2、矩陣散點圖 - pairplot() # 只提取局部變量進行對比 sns.pairplot(iris,vars=["sepal_width", "sepal_length"], kind = ‘reg‘, diag_kind="kde", hue="species", palette="husl")
# 2、矩陣散點圖 - pairplot() # 其他參數設置 sns.pairplot(iris, diag_kind="kde", markers="+", plot_kws=dict(s=50, edgecolor="b", linewidth=1), # 設置點樣式 diag_kws=dict(shade=True) # 設置密度圖樣式 )
# 2、矩陣散點圖 - PairGrid() # 可拆分繪制的散點圖 # map_diag() + map_offdiag() g = sns.PairGrid(iris,hue="species",palette = ‘hls‘, vars = [‘sepal_length‘,‘sepal_width‘,‘petal_length‘,‘petal_width‘], # 可篩選 ) # 創建一個繪圖表格區域，設置好x、y對應數據，按照species分類 g.map_diag(plt.hist, histtype = ‘barstacked‘, # 可選：‘bar‘, ‘barstacked‘, ‘step‘, ‘stepfilled‘ linewidth = 1, edgecolor = ‘w‘) # 對角線圖表，plt.hist/sns.kdeplot g.map_offdiag(plt.scatter, edgecolor="w", s=40,linewidth = 1, # 設置點顏色、大小、描邊寬度 ) # 其他圖表，plt.scatter/plt.bar... g.add_legend() # 添加圖例
# 2、矩陣散點圖 - PairGrid() # 可拆分繪制的散點圖 # map_diag() + map_lower() + map_upper() g = sns.PairGrid(iris) g.map_diag(sns.kdeplot, lw=3) # 設置對角線圖表 g.map_upper(plt.scatter, color = ‘r‘) # 設置對角線上端圖表 g.map_lower(sns.kdeplot, cmap="Blues_d") # 設置對角線下端圖表
Python圖表分布數據可視化：Seaborn